⑴ 如何用R语言提取股票行情数据
你好，关于股票价格有关的开盘价格，当日最高价格，当日最低价格，收盘价格，股票交易量；和调整后的价格；
DIA.Open 当日开盘价格
DIA.High 当日最高价格
DIA.Low 当日最低价格
DIA.Close 当日收盘价格
DIA.Volume 当日股票交易量
DIA.Adjusted 当日调整后的价格
⑵ 机器学习有哪些算法
1. 线性回归
在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。
2. Logistic 回归
Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。
3. 线性判别分析
Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。如果你有两个以上的类，那么线性判别分析算法（LDA）是首选的线性分类技术。
4.分类和回归树
决策树是一类重要的机器学习预测建模算法。
5. 朴素贝叶斯
朴素贝叶斯是一种简单而强大的预测建模算法。
6. K 最近邻算法
K 最近邻（KNN）算法是非常简单而有效的。KNN 的模型表示就是整个训练数据集。
7. 学习向量量化
KNN 算法的一个缺点是，你需要处理整个训练数据集。
8. 支持向量机
支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。
9. 袋装法和随机森林
随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。
想要学习了解更多机器学习的知识，推荐CDA数据分析师课程。CDA（Certified Data Analyst），即“CDA 数据分析师”，是在数字经济大背景和人工智能时代趋势下，面向全行业的专业权威国际资格认证，旨在提升全民数字技能，助力企业数字化转型，推动行业数字化发展。点击预约免费试听课。
⑶ BP神经网络的原理的BP什么意思
人工神经网络有很多模型，但是日前应用最广、基本思想最直观、最容易被理解的是多层前馈神经网络及误差逆传播学习算法（Error Back-Prooaeation），简称为BP网络。
在1986年以Rumelhart和McCelland为首的科学家出版的《Parallel Distributed Processing》一书中，完整地提出了误差逆传播学习算法，并被广泛接受。多层感知网络是一种具有三层或三层以上的阶层型神经网络。典型的多层感知网络是三层、前馈的阶层网络（图4.1），即：输入层、隐含层（也称中间层）、输出层，具体如下：
图4.1 三层BP网络结构
（1）输入层
输入层是网络与外部交互的接口。一般输入层只是输入矢量的存储层，它并不对输入矢量作任何加工和处理。输入层的神经元数目可以根据需要求解的问题和数据表示的方式来确定。一般而言，如果输入矢量为图像，则输入层的神经元数目可以为图像的像素数，也可以是经过处理后的图像特征数。
（2）隐含层
1989年，Robert Hecht Nielsno证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近，因而一个三层的BP网络可以完成任意的n维到m维的映射。增加隐含层数虽然可以更进一步的降低误差、提高精度，但是也使网络复杂化，从而增加了网络权值的训练时间。误差精度的提高也可以通过增加隐含层中的神经元数目来实现，其训练效果也比增加隐含层数更容易观察和调整，所以一般情况应优先考虑增加隐含层的神经元个数，再根据具体情况选择合适的隐含层数。
（3）输出层
输出层输出网络训练的结果矢量，输出矢量的维数应根据具体的应用要求来设计，在设计时，应尽可能减少系统的规模，使系统的复杂性减少。如果网络用作识别器，则识别的类别神经元接近1，而其它神经元输出接近0。
以上三层网络的相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接，连接强度构成网络的权值矩阵W。
BP网络是以一种有教师示教的方式进行学习的。首先由教师对每一种输入模式设定一个期望输出值。然后对网络输入实际的学习记忆模式，并由输入层经中间层向输出层传播（称为“模式顺传播”）。实际输出与期望输出的差即是误差。按照误差平方最小这一规则，由输出层往中间层逐层修正连接权值，此过程称为“误差逆传播”（陈正昌，2005）。所以误差逆传播神经网络也简称BP（Back Propagation）网。随着“模式顺传播”和“误差逆传播”过程的交替反复进行。网络的实际输出逐渐向各自所对应的期望输出逼近，网络对输入模式的响应的正确率也不断上升。通过此学习过程，确定下各层间的连接权值后。典型三层BP神经网络学习及程序运行过程如下（标志渊，2006）：
（1）首先，对各符号的形式及意义进行说明：
网络输入向量Pk=（a1，a2，...，an）；
网络目标向量Tk=（y1，y2，...，yn）；
中间层单元输入向量Sk=（s1，s2，...，sp），输出向量Bk=（b1，b2，...，bp）；
输出层单元输入向量Lk=（l1，l2，...，lq），输出向量Ck=（c1，c2，...，cq）；
输入层至中间层的连接权wij，i=1，2，...，n，j=1，2，...p；
中间层至输出层的连接权vjt，j=1，2，...，p，t=1，2，...，p；
中间层各单元的输出阈值θj，j=1，2，...，p；
输出层各单元的输出阈值γj，j=1，2，...，p；
参数k=1，2，...，m。
（2）初始化。给每个连接权值wij、vjt、阈值θj与γj赋予区间（-1，1）内的随机值。
（3）随机选取一组输入和目标样本
提供给网络。
（4）用输入样本
、连接权wij和阈值θj计算中间层各单元的输入sj，然后用sj通过传递函数计算中间层各单元的输出bj。
基坑降水工程的环境效应与评价方法
bj=f（sj） j=1，2，...，p （4.5）
（5）利用中间层的输出bj、连接权vjt和阈值γt计算输出层各单元的输出Lt，然后通过传递函数计算输出层各单元的响应Ct。
基坑降水工程的环境效应与评价方法
Ct=f（Lt） t=1，2，...，q （4.7）
（6）利用网络目标向量
，网络的实际输出Ct，计算输出层的各单元一般化误差
。
基坑降水工程的环境效应与评价方法
（7）利用连接权vjt、输出层的一般化误差dt和中间层的输出bj计算中间层各单元的一般化误差
。
基坑降水工程的环境效应与评价方法
（8）利用输出层各单元的一般化误差
与中间层各单元的输出bj来修正连接权vjt和阈值γt。
基坑降水工程的环境效应与评价方法
（9）利用中间层各单元的一般化误差
，输入层各单元的输入Pk=（a1，a2，...，an）来修正连接权wij和阈值θj。
基坑降水工程的环境效应与评价方法
（10）随机选取下一个学习样本向量提供给网络，返回到步骤（3），直到m个训练样本训练完毕。
（11）重新从m个学习样本中随机选取一组输入和目标样本，返回步骤（3），直到网路全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。
（12）学习结束。
可以看出，在以上学习步骤中，（8）、（9）步为网络误差的“逆传播过程”，（10）、（11）步则用于完成训练和收敛过程。
通常，经过训练的网络还应该进行性能测试。测试的方法就是选择测试样本向量，将其提供给网络，检验网络对其分类的正确性。测试样本向量中应该包含今后网络应用过程中可能遇到的主要典型模式（宋大奇，2006）。这些样本可以直接测取得到，也可以通过仿真得到，在样本数据较少或者较难得到时，也可以通过对学习样本加上适当的噪声或按照一定规则插值得到。为了更好地验证网络的泛化能力，一个良好的测试样本集中不应该包含和学习样本完全相同的模式（董军，2007）。
⑷ 如何在r语言中抓取股票数据并分析论文
用quantomd包
然后getsymbols函数
分析论文 要看你研究方向
如果是看影响因素 一般回归就行
如果看股票波动和预测 可能需要时间序列
⑸ 模型中的r，f，m三个要素对网店的客户分级管理有何作用
SVM理论统计习理论基础发展起,由于统计习理论SVM限本情况模式识别些根本性问题进行系统理论研究,程度解决往机器习模型选择与习问题、非线性维数灾难、局部极点问题等应用SVM进行归预测步骤具体: 一)实验规模选取,决定训练集数量、测试集数量,及两者比例;二)预测参数选取;三)实验数据进行规范化处理;四)核函数确定;5)核函数参数确定其参数选择SVM性能说十重要,于本文核函数使用RBF核函数,于RBF核函数,SVM参数包括折衷参数C、核宽度C敏参数E目前SVM参数、核函数参数选择,际都没形统模式,说优SVM算参数选择能凭借经验、实验比、范围搜寻交叉检验等进行寻优实际应用经便,主观设定较数作E取值,本文首先CC定范围内取值训练,定各参数取值概范围,利用留具体选定参数值 股价间序列SVM模型高阶确定 股价数据间序列,间序列特征析知,股价具滞、效性,股价仅与各种特征关,与前几股价及特征相关,所必要前几股价特征作自变量考虑高阶确定基本原理低阶始系统建模,逐步增加模型阶数,并用F检验些模型进行判别确定高阶n,才能更客观反映股票价格滞特性具体操作步骤:假定输入单输归模型N本、变量(股价)、m- 一自变量(特征),由低阶高阶递推采用SVM模型拟合系统(拓阶昨股价做自变量,特征同拓阶),并依相邻两SVM模型采用F检验判断模型阶增加否合适[ 漆]相邻两模型SVM ( n)SVM ( n+ 一)言,统计量Fi:Fi=QSVR (n)- QSVR( n+一)QSVR (n)一N - m n - (m -一)mi =一,二,,, n(一)服自由度别m(N - m n - (m -一) )F布,其QSVR (n)QSVR( n+一)别SVR ( n)QSVR( n+一)剩余离差平,若Fi< F(?,m, N-m n- (m-一) ),则SVM (n )模型合适;反,继续拓展阶数 前向浮特征筛选 经述模型高阶数确定,虽确定阶数nSVM模型,即n特征,其某些特征模型预测精度利影响,本文采用基于SVM留前向浮特征特征筛选算选择提高预测精度利影响特征令B= {xj: j=一,二,,, k}表示特征全集, Am表示由Bm特征组特征集,评价函数MSE (Am)MSE (Ai) i =一,二,,, m -一值都已知本文采用前向浮特征筛选算[9]:一)设置m =0, A0空集,利用前向特征筛选寻找两特征组特征集Am(m =二);二)使用前向特征筛选未选择特征集(B -Am)选择特征xm +一,集Am+一;三)迭代数达预设值则退,否则执行四);四)选择特征集Am+一重要特征xm+一重要特征即任意jXm +一, J (Am +一- xm+一)FJ(Am +一- xj)立,令m = m +一,返二) (由于xm+一重要特征,所需Am排除原特征);重要特征xr( r =一,二,,, m )且MSE (Am+一- xr) < MSE (Am)立,排除xr,令A'm= Am+一- xr;m =二,设置Am= A'm,J (Am) = J (A'm), ,返二),否则转向步骤5);5)特征集A'm寻找重要特征xs,MSE (A'm- xs)EM SE (Am-一),设置Am= A'm, MSE (Am)= MSE (A'm),返二);M SE (A'm- xs) < M SE (Am -一),A'm排除xs,A'm-一= Am- xs,令m = m -一;m =二,设置Am= A'm, MSE (Am) = MSE (A'm)返二),否则转向5)选择特征用于续建模预测 预测评价指标及参比模型 训练结评估阶段训练模型推广能力进行验证,所谓推广能力指经训练模型未训练集现本做确反应能力评价本文模型优劣,选择BPANN、变量自归间序列模型( CAR)没进行拓阶特征筛选SVM作参比模型采用均误差(mean squared error, MSE)平均绝误差百率(mean ab-solute percentage error, MAPE)作评价指标MSEMAP定义:M SE=E(yi- y^i)二n( 二)MAPE=E| yi- y^i| /yin( 三)其yi真值, y^i预测值, n预测本数M SE, MAPE结较,则说明该评估模型推广能力强,或泛化能力强,否则说明其推广能力较
⑹ 如何用R 语言 建立 股票价格的时间序列
在下想用R语言对股票价格进行时间序列分析。
问题出在第一步，如何将股票价格转换为时间序列。
我想用的语句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 项该如何填？
因为股票的交易日是一周五天的。 那么这个frequency 该如何设置呢？
我知道通常frequency= 12 为月度数据，frequency= 4 为季度数据，frequency= 1 为年度数据 但日数据怎么写我就不知道了
初学R语言，还望各位大侠多多帮助。
⑺ SVM回归预测程序问题，求帮助
《MATLAB神经网络30个案例分析》里面有一个用SVM做股票开盘价分析的程序
他里面有这么几句
ts = sh(2:m,1);
tsx = sh(1:m-1,:);
%归一化 。。。
model = svmtrain(TS,TSX,cmd);
[predict,mse, decision_values] = svmpredict(TS,TSX,model);
他这个不是在用训练集预测自己吗？这样有什么意义？
另外我的时间序列每次只有一个数据，预测的时候是不是就只有一个特征？
谢谢！！
⑻ 什么是BP神经网络
误差反向传播（Error Back Propagation, BP）算法
1、BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
1）正向传播：输入样本－>输入层－>各隐层（处理）－>输出层
注1：若输出层实际输出与期望输出（教师信号）不符，则转入2）（误差反向传播过程）
2）误差反向传播：输出误差（某种形式）－>隐层（逐层）－>输入层
其主要目的是通过将输出误差反传，将误差分摊给各层所有单元，从而获得各层单元的误差信号，进而修正各单元的权值（其过程，是一个权值调整的过程）。
注2：权值调整的过程，也就是网络的学习训练过程（学习也就是这么的由来，权值调整）。
2、BP算法实现步骤（软件）：
1）初始化
2）输入训练样本对，计算各层输出
3）计算网络输出误差
4）计算各层误差信号
5）调整各层权值
6）检查网络总误差是否达到精度要求
满足，则训练结束；不满足，则返回步骤2）
3、多层感知器（基于BP算法）的主要能力：
1）非线性映射：足够多样本－>学习训练
能学习和存储大量输入－输出模式映射关系。只要能提供足够多的样本模式对供BP网络进行学习训练，它便能完成由n维输入空间到m维输出空间的非线性映射。
2）泛化：输入新样本（训练时未有）－>完成正确的输入、输出映射
3）容错：个别样本误差不能左右对权矩阵的调整
4、标准BP算法的缺陷：
1）易形成局部极小（属贪婪算法，局部最优)而得不到全局最优；
2）训练次数多使得学习效率低下，收敛速度慢（需做大量运算）；
3）隐节点的选取缺乏理论支持；
4）训练时学习新样本有遗忘旧样本趋势。
注3：改进算法—增加动量项、自适应调整学习速率（这个似乎不错)及引入陡度因子
⑼ RSI选股策略详解
（1）RSI金叉：股票的多头力量开始强于空头力量，股价将大幅扬升，这是RSI指标指示的中线买入信号。（2）突破均线，放量：当股票同时带量向上突破中长期均线时出现的买入信号比较准确，投资者可逢低买入。