管家:股票投资组合经理提供基于神经网络的股票短期预测和基于社区情绪分析的自然语言处理 源码
管家:一个聪明的股票投资组合经理,为股票选择提供短期预测和社交媒体情感分析。 团队成员: Kevin Jin( kjin2 ),Will Povell( wpovell ),Matt Robins( mrobins ),Philip Xu( jx24 ) 导师:肖恩·西格尔( sean_segal@brown.edu ) 项目规格和样机 眼镜: 接口: 图形用户界面: 该项目的用户界面将是一个Web应用程序。 在样机中演示了布局。 特征: 注册,登录和数据保留: 用户应该能够使用用户名,密码和电子邮件注册我们的服务。 用户应该能够登录该服务并创建/编辑他们的投资组合。 该信息应保留
用户评论
相关推荐
投资组合分析器提供对股票投资组合的见解源码
投资组合分析器 深入了解股票投资组合 当前,受支持的输入格式是通过ATrad在线交易平台保存的以下文件。 “帐户”文件-完整的帐户对帐单; 通过客户导出->帐户对帐单->设置日期范围以覆盖
ZIP
19KB
2021-04-22 21:34
基于协方差理论的最优股票投资组合分析
基于协方差理论的最优股票投资组合分析，卢宇，蒋太才，我国现在已经进入了一个“全民炒股”的时代，但股市中许多投资者建议：“不要把所有鸡蛋放在一个篮子里”。所以在股市中，对于股
PDF
0B
2020-06-07 16:27
基于优化算法的股票投资组合模型选择
基于优化算法的股票投资组合模型选择，蔡凯达，边宁，本文采用不同的风险度量和约束条件，组合成了不同的有约束的最优资产组合模型：在风险约束条件下的期望收益最大化模型和在收益约
PDF
637KB
2020-07-22 00:47
基于神经网络的股票预测
基于神经网络的股票预测,希望对大家有所帮助,第一次传东西,谢谢
DOC
163KB
2020-08-29 02:28
股票情绪用于新闻和股票情绪分析的Python项目源码
股票情绪 用于新闻和股票情绪分析的Python项目
ZIP
1.07MB
2021-02-23 05:47
基于神经网络和模糊理论的短期负荷预测
采用新的预测技术进行负荷预测,效果不错!
PDF
413KB
2020-09-11 09:31
基于EMD和神经网络的短期电力负荷预测
提出了采用经验模态分解(EMD)和神经网络结合的方法对短期电力负荷进行预测。通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后
PDF
1.11MB
2021-02-22 19:58
基于神经网络的短期负荷预测研究
神经网络电力系统短期负荷预测开题报告ppt，包括短期负荷的介绍，对于系统的建构
PPTX
0B
2019-04-05 13:37
基于BP神经网络的股票预测
一款用matlab实现的BP神经网络程序，可以用于解决对股票的多个指标的预测。
RAR
0B
2019-04-27 21:13
基于聚类分析和判别分析方法的股票投资价值研究
基于聚类分析和判别分析方法的股票投资价值研究，吴冲，王栋，随着市场投资理念逐步转向价值投资,上市公司基本面的变化将更受关注.中小企业作为新兴的资本市场板块,具有重要的研究意义.现利用38
PDF
0B
2020-02-28 00:30
情绪敏感的股票预测分析SEC季度收益报告的情绪以预测未来的股价源码
情绪库存预测 用法示例 首先,必须将quandl.ApiConfig.api_key顶部的quandl.ApiConfig.api_key设置为您的quandl API密钥。 您可以获得一把钥匙。 f
ZIP
348KB
2021-02-09 10:13
基于PB-ROE模型的股票投资策略分析
基于PB-ROE模型的股票投资策略分析PB-ROE模型作为一种常用的股票估值工具，通过结合企业的估值水平（PB）和盈利能力（ROE）来判断其投资价值。将探讨如何利用PB-ROE模型制定有效的投资策略
pdf
2.06MB
2024-06-30 20:30
基于神经网络股票预测的研究
利用股票市场的理论和神经网络的BP算法来预测股票价格.先对股票进行基本面的分析,再对股票进行技术面的分析.运用技术分析的技术指标和神经网络优势,对股票进行大数据量的训练,使得模型可靠,再对股票进行测试
pdf
0B
2019-05-03 04:05
基于HPEMD和ARMA的短期风速预测
基于HP-EMD和ARMA的短期风速预测，喻敏，常毓婵，针对风速为非线性非平稳序列的特点，提出一种基于经验模态分解(EmpiricalModeDecomposition，EMD)和自回归滑动平均模型(
PDF
0B
2020-05-15 18:26
基于小波变换和混合神经网络的短期负荷预测
提出通过小波分解对各负荷子序列进行特性分析初选影响因素后,采用信息熵法从初选变量中自动筛选出对负荷较重要的因素,然后采用改进的主成分分析法消除重要影响因素间的相关性,采用动态聚类法对各分解序列的样本归
PDF
1.05MB
2021-01-30 02:05