$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}
$vue{csvName}上传成功
取消
确认提交
- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
$vue{item.rank_name}
大赛简介
通过对股票数据分析，投资者和交易者可以做出股票买卖决策。使用时间序列预测分析技术可实现对股票走向趋势预测，研究和评估过去及现在的数据有助于投资者和交易者在市场中获得优势，从而做出明智的决策。
数据集包含从1990年开始到2019年的全部数据集，2020年的数据作为评估集进行评估。本赛题要求参赛者构建准确的股票预测模型，使用预测结果反向误差率作为评估指标，反向误差率越高，排名越靠前。
参赛须知
参赛时间：2020.07.24 12:00:00-2020.08.31 20:00:00
参赛方式
- 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分。
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 | 获奖人数 | 奖金额度说明(按最终得分评判) |
|---|---|---|
| 冠军奖 | 1人 | 1500元奖金 + 500分钟Tesla-GPU云端训练时长 |
| 亚军奖 | 1人 | 800元奖金 + 200分钟Tesla-GPU云端训练时长 |
| 季军奖 | 1人 | 600元奖金 + 200分钟Tesla-GPU云端训练时长 |
| 第4～5名 | 2人 | 300元奖金 + 200分钟Tesla-GPU云端训练时长 |
| 第6～10名 | 5人 | 100元奖金 |
奖励获取要求:
- 参赛时间：2020年07月24日至2020年08月31日
- 组队时间：2020年07月28日12点至2020年08月11日12点
- 预测评估时间：2020年09月01日至2020年09月15日
- 最终成绩排名发布日期：09月22日前
- 基线分数：<70分，超过基线分数可参与排名奖励
- 奖金发放条件：本比赛参与提交有效成绩人数需达到30人以上
- 使用数据逻辑计算获取最终收盘价的成绩将取消比赛资格，无法获取奖金
- 比赛结束两周时间内，前5名参赛者需提供文档格式赛题解决思路和15分钟以上的PPT答辩视频（FlyAI提供模版）并配合FlyAI完成线上直播答辩分享活动
- 温馨提示：未在有效时间内提供答辩经验以及不配合参加线上直播分享的获奖者，视为放弃奖励资格哦！
赛事主题和数据说明
数据描述
由于需要提交代码作品在云端进行训练，参赛数据集不对外开放。仅提供调试数据。
字段说明：
| 文件名 | 字段名称 | 字段类型 | 备注 | 样例 |
|---|---|---|---|---|
| train.csv | date | string | 时间 | 2020-01-01 |
| stock_id | string | 股票代码 | 000001 | |
| stock_name | string | 名称 | 上证指数 | |
| high | float | 最高价 | 3319.1268 | |
| low | float | 最低价 | 3184.9645 | |
| open | float | 开盘价 | 3310.6449 | |
| closed | float | 前收盘 | 3325.1102 | |
| change_amount | float | 涨跌额 | -128.3418 | |
| change_range | float | 涨跌幅 | -3.8598 | |
| volume | float | 成交量 | 427054026 | |
| turnover | float | 成交金额 | 584311865017 | |
| closing | float | 收盘价 | 3196.7684 | |
| validation.csv | date | string | 时间 | 2020-01-01 |
| high | float | 最高价 | 3319.1268 | |
| low | float | 最低价 | 3184.9645 | |
| open | float | 开盘价 | 3310.6449 | |
| closed | float | 前收盘 | 3325.1102 | |
| closing | float | 收盘价 | 3196.7684 |
评审标准
算法输入输出格式
系统评估时，要求参赛者必须在predict方法中接收到输入和评估返回的结果输出，格式如下所示。
输入字段：
{
"date": "2020-01-01",
"high": 3319.1268,
"low": 3184.9645,
"open": 3310.6449,
"closed": 3325.1102
}输出字段：
{
"closing": 3196.7684
}评审指标说明
- 本赛题采用预测结果反向误差率进行评估；
- 计算公式如下
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现prediction.py中的load_model和predict方法。系统使用这些方法评估模型算出评分。
超过 70分 的成绩会在48小时内更新到排行榜，不要着急哦！
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为79.69。
2020-08-14 02:18:16
1500.00
79.69
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为78.51。
2021-11-30 14:58:39
800.00
78.51
batch数据为64，循环次数为250次，通过在线上环境完成训练，模型最优精度评分为78.25。
2020-08-19 16:28:10
600.00
78.25
4
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为78.21。
2020-08-04 18:23:15
78.21
5
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为78.12。
2020-08-12 12:08:32
78.12
6
batch数据为64，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为77.81。
2020-08-01 23:24:17
77.81
7
batch数据为500，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为76.86。
2020-08-06 20:54:36
76.86
8
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为75.79。
2020-08-18 19:18:21
75.79
9
batch数据为2000，循环次数为256次，通过在线上环境完成训练，模型最优精度评分为75.12。
2020-08-26 18:06:12
75.12
10
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为72.26。
2020-07-26 11:46:52
72.26
11
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为69.02。
2020-08-06 18:55:55
69.02
12
batch数据为300，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为65.65。
2020-08-13 09:20:13
65.65
13
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为63.23。
2020-07-30 12:34:52
63.23
14
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为46.86。
2020-08-03 11:55:42
46.86
15
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为32.74。
2020-07-25 22:46:24
32.74
16
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为23.94。
2020-07-26 09:32:46
23.94
17
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为6.30。
2020-08-18 16:40:06
6.30
18
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为3.90。
2020-07-25 07:10:24
3.90
19
batch数据为2048，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为2.93。
2020-08-30 02:36:42
2.93
20
batch数据为64，循环次数为200次，通过在线上环境完成训练，模型最优精度评分为1.40。
2020-07-24 20:37:15
1.40
21
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.09。
2020-07-28 16:26:58
0.09
22
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-24 21:56:14
0.06
23
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-24 22:04:00
0.06
24
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-24 22:55:09
0.06
25
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-25 10:58:05
0.06
26
batch数据为64，循环次数为70次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-25 11:36:30
0.06
27
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-25 15:50:07
0.06
28
batch数据为32，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-25 17:09:25
0.06
29
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-25 21:18:26
0.06
30
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-26 08:49:44
0.06
31
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-28 09:48:19
0.06
32
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-28 11:40:33
0.06
33
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-28 13:00:35
0.06
34
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 11:31:50
0.06
35
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 13:49:34
0.06
36
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 15:16:25
0.06
37
batch数据为32，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 17:41:31
0.06
38
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 18:02:10
0.06
39
batch数据为24，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-29 23:58:35
0.06
40
batch数据为128，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-30 11:27:57
0.06
41
batch数据为10，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-07-31 21:44:07
0.06
42
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-01 22:19:19
0.06
43
batch数据为32，循环次数为500次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-02 19:35:59
0.06
44
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-03 11:20:16
0.06
45
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-03 16:09:19
0.06
46
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-03 20:54:10
0.06
47
batch数据为32，循环次数为45次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-04 12:28:17
0.06
48
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-04 17:10:34
0.06
49
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-04 17:57:40
0.06
50
batch数据为1，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-05 16:55:56
0.06
51
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-06 08:57:22
0.06
52
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-06 16:24:39
0.06
53
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-07 00:24:21
0.06
54
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-07 06:27:19
0.06
55
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-19 08:48:41
0.06
56
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-19 09:48:15
0.06
57
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-19 09:49:06
0.06
58
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-19 15:53:29
0.06
59
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-19 16:31:24
0.06
60
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-20 11:55:18
0.06
61
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-20 23:14:10
0.06
62
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-22 00:00:37
0.06
63
batch数据为32，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-24 15:32:40
0.06
64
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-08-26 14:54:56
0.06
65
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-03 16:09:04
0.06
66
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-10 13:41:41
0.06
67
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-10 17:25:36
0.06
68
batch数据为1，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-14 23:32:55
0.06
69
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-15 10:02:57
0.06
70
batch数据为500，循环次数为32次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-15 23:49:14
0.06
71
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-21 10:09:11
0.06
72
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-21 15:01:41
0.06
73
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-28 14:16:38
0.06
74
batch数据为64，循环次数为40次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-09-28 21:55:06
0.06
75
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-10 16:25:09
0.06
76
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-11 21:42:17
0.06
77
batch数据为96，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-12 11:56:24
0.06
78
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-14 10:27:17
0.06
79
batch数据为64，循环次数为100次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-21 08:50:06
0.06
80
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-10-22 09:16:53
0.06
81
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-11-03 15:09:32
0.06
82
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-11-09 11:33:44
0.06
83
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-11-17 18:06:47
0.06
84
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-11-25 21:27:20
0.06
85
batch数据为64，循环次数为5次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-11-26 16:34:46
0.06
86
batch数据为64，循环次数为300次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-08 14:17:01
0.06
87
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-10 10:29:53
0.06
88
batch数据为64，循环次数为3次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-10 15:49:06
0.06
89
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-11 15:25:36
0.06
90
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-15 13:59:24
0.06
91
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-17 16:54:45
0.06
92
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-18 16:53:23
0.06
93
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-19 16:11:17
0.06
94
batch数据为32，循环次数为60次，通过在线上环境完成训练，模型最优精度评分为0.06。
2020-12-23 17:21:42
0.06
95
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-03-03 21:55:46
0.06
96
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-03-23 13:37:05
0.06
97
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-04-17 15:56:12
0.06
98
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-05-18 11:06:55
0.06
99
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-06-17 16:37:40
0.06
100
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-08-13 09:10:14
0.06
101
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-12-01 01:22:02
0.06
102
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-12-08 16:57:27
0.06
103
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2021-12-13 21:43:54
0.06
104
batch数据为64，循环次数为30次，通过在线上环境完成训练，模型最优精度评分为0.06。
2022-03-07 20:16:29
0.06
105
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.00。
2020-07-24 22:50:33
0.00
106
batch数据为64，循环次数为10次，通过在线上环境完成训练，模型最优精度评分为0.00。
2020-08-05 10:32:33
0.00
107
batch数据为64，循环次数为50次，通过在线上环境完成训练，模型最优精度评分为0.00。
2020-08-14 15:49:48
0.00
108
batch数据为64，循环次数为1次，通过在线上环境完成训练，模型最优精度评分为0.00。
2020-08-14 21:14:40
0.00
讨论
500字
表情
删除确认
是否删除该条评论？
取消
删除
这里还没有内容哦