VirtualCompete

KO | EN

gitlite — search

#javascript #python #ai #golang #machine-learning #linux #nodejs #awesome #cli #pytorch #security #ios #mcp #open-source

(★ 15)

全球AI挑战赛之虚拟股票预测

VirtualCompete 최신버젼 다운로드

최종 버전 다운로드 (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# [全球AI挑战赛之虚拟股票预测](https://challenger.ai/competition/trendsense)

#### 一、比赛介绍

1.简介:

对股票价格趋势的预测是金融领域极为复杂和极为关键的问题，有效市场假说认为股票价格趋势不可能被预测，然而真实市场由于各种因素的存在并不完全有效，这对于股票市场而言相当于一种“错误”。这里我们为参赛者提供了大规模的股票历史数据，从而可以通过集合大家的智慧来纠正股票市场的这些“错误”。

2.数据说明：

数据集包括训练数据集和测试数据集两部分，训练数据集用来进行模型训练，是一个以逗号分隔的文本文件(csv)，格式示例:

| **id** | **feature0** | **...** | **weight** | **label** | **group1** | **group2** | **era** |
| ------ | ------------ | ------- | ---------- | --------- | ---------- | ---------- | ------- |
| 0      | 0.254232     | ...     | 9.0        | 1.0       | 1          | 5          | 1.0     |
| 1      | 0.763212     | ...     | 3.0        | 0.0       | 7          | 87         | 1.0     |

其中id列为数据唯一标识编码，feature列为原始数据经过变换之后得到的特征，weight列为样本重要性，label列为待预测二分类标签，group1和group2是两列类别特征，era列为时间区间编号（数值越小时间越早）。

#### 二、特征选择及模型构建

拿到数据后，通过分析可以知道，数据特征维度为98维，并且每个维度都基本已经处理好了，因此，初期的想法是对所有特征，进行简单的归一化处理，然后用svm模型，然而，svm程序运行时间特别长，而且交叉熵比较高。之后，又通过降维处理，并且取一半的特征来用xgboost训练，在第11期效果比较不错，最后取得第一名的成绩。

然而在第12期，在测试集上比较差，很明显的过拟合，所以排名比较差。

在第13期，去除了降维处理，并且，取前一半的特征用xgboost处理，后一半特征用lightgbm处理，将两者的结果进行简单的加权融合，效果很不错，拿下第13期的冠军。

#### 三、评估与性能分析

在本地采用了交叉熵做评估分析，除第9期，第12期外，线上和线下的结果差异不大，说明模型的效果很不错。经过调参发现，选择默认参数很不错。

选择xgb和lgb模型，除了效果不错外，其速度也是很不错的，实际上，svm的效果理论上是很不错的，但是其效率太慢，至少要运行8个多小时。

#### 四、赛后总结

这次比赛是一次很好的锻炼，从实战中理解理论，熟悉了数据挖掘的一般过程。同时，可惜参加的比较晚，只是参加了最后5期的比赛，拿了两次周冠军，最终排名第10，希望能在以后的比赛中，能有更大的提升。

#### 五、比赛排名

![](http://owzdb6ojd.bkt.clouddn.com/18-2-23/65500981.jpg)

![](http://owzdb6ojd.bkt.clouddn.com/18-2-23/38515568.jpg)

![](http://owzdb6ojd.bkt.clouddn.com/18-2-23/51918075.jpg)

VirtualCompete

VirtualCompete 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

VirtualCompete

VirtualCompete 최신버젼 다운로드

오늘의 추천 프로젝트

Was this content helpful?

Recent Feedback

Download README