A股股票趋势走向预测

分享给好友

2020-07-24 12:00:00
开始提交

2020-08-31 20:00:00
最终提交结束

自由训练

奖金池 ¥ 4000
参赛权限提示

当前赛题需能力值达到 $vue{itemranking} 才可以正常提交训练哦~

当前赛题仅允许 600 能力值以下的新手可以正常提交训练哦~

报名参赛

绑定你的微信账号

用于本地环境登录和实时接收训练通知

打开微信,使用扫一扫功能分享给好友

绑定你的微信账号

用于本地环境登录和实时接收训练通知

温馨提示

$vue{csv_msg}

知道了
提交结果文件

$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

提交成功

系统正在测评您的结果文件,

您可通过右侧【我的提交-查看记录详情】进行查看

知道了
  • 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

  • 方式一:
  • 在线查看样例根据FlyAI样例模版实现算法并使用云端免费GPU进行模型训练获得最终成绩得分
  • 方式二:
  • 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,在本地进行代码调试的教程请查看[文档中心]

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,可通过使用本地调试的方式获取调试数据集。本地调试和提交指南请查看[文档中心]

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
  • 评审计算公式

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!
第三名

老杜.

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

79.69

第三名

拉面

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

78.25

第三名

zcw_jack

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

4

KC

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

5

伤心凉粉

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

6

yuenoble

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

7

AndyHam

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

8

A1.01

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

9

乐乐乐

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

10

best无聊

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

11

chenfengshf

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

12

Edward1585020154

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

13

helen_yu的团队

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

14

cyh12315

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

15

changli

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

16

轩ing。

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

17

learnFromBest

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

18

N丶

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

19

找欧阳修啊的团队

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

20

叉烧包

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

21

Leo1559648527

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

22

小鱼仔

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

23

LIVE IS FANTASTIC

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

24

phil_888

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

25

Michael Shen

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

26

wt

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

27

张野

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

28

棘心

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

29

氕氘氚

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

30

Vivalavida

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

31

彭钰

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

32

flyai会员1595993253

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

33

嗑着瓜子的猫

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

34

陈韬

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

35

周斌

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

36

Star Sky

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

37

树泉

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

38

WiiiiZarD

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

39

悬象著明

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

40

汤包岂是盘中物

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

41

AI 菌

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

42

清晨的光明

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

43

AiFool

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

44

onesty

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

45

Xavier1596265944

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

46

拥抱晴空

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

47

心若为城

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

48

AI小助手

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

49

睡醒了痴

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

50

pjs

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

51

Lxs

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

52

宇轩

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

53

free_bird

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

54

nice1576844076

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

55

myth1597801247

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

56

~鸿

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

57

HyperAndy

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

58

耳朵君

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

59

.1597936308

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

60

arrow

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

61

she

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

62

BeHalcyon

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

63

吴彦祖

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

64

Honay, King

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

65

janfahbnca

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0.00。

2020-08-11 17:37:17

0.00

66

EE

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

67

RuthlessDragon

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
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
$vue{item.user_name}

$vue{item.title} $vue{item.title}

$vue{items}
$vue{item.like_count}
$vue{item.comment_counts}
$vue{item.comment_counts}
阅读 $vue{item.views}

这里还没有内容哦

挑战者大赛 官方交流群

我的记录

你还没有任何提交记录喔...

使用指南

  • windows客户端
  • windows命令行
  • Mac/Linux

1.进入代码编辑页下载当前代码

2.本地解压缩代码包文件,双击执行 flyai.exe 程序

第一次使用需要使用微信扫码登录 杀毒软件可能会误报,点击信任该程序即可

3.开启 FlyAI-Jupyter 代码调试环境

运行flyai.exe程序,点击"使用jupyter调试"按钮自动打开jupyter lab 操作界面

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

4.下载本地测试数据

运行flyai.exe程序,点击"下载数据"按钮,程序会下载100条调试数据

5.提交训练到GPU

运行flyai.exe程序,点击"提交GPU训练"按钮,代码将自动提交到云端GPU进行训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.打开运行,输入cmd,打开终端

Win+R 输入 cmd

3.使用终端进入到项目的根目录下

cd path\to\project

4.开启 FlyAI-Jupyter 代码调试环境

在终端执行命令 flyai.exe ide 打开调试环境(第一次使用需要使用微信扫码登录)

操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !flyai.exe train 将代码提交到云端GPU免费训练

返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

flyai.exe path=xxx 可以设置自己的Python路径

flyai.exe path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心

1.进入代码编辑页下载当前代码

2.使用终端进入到项目的根目录下

cd path\to\project

3.初始化环境登录

使用如下命令授权 flyai 脚本: chmod +x ./flyai

4.开启 Jupyter 代码调试环境

在终端执行命令 ./flyai ide 打开调试环境(第一次使用需要使用微信扫码登录) 操作过程有延迟,请耐心等待

运行 run main.py 命令即可在本地训练调试代码

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

或使用终端

执行下列命令本地安装环境并调试

./flyai test 注意:如果出现 permission denied 错误,需使用sudo运行

如果出现 No Model Name "xxx"错误,需在 requirements.txt 填写项目依赖

执行test命令,会自动下载100条测试数据到项目下

如果使用本地IDE开发,可以自行安装 requirements.txt 中的依赖,运行 main.py 即可

5.提交训练到GPU

在FlyAI-Jupyter环境下运行 !./flyai train 将代码提交到云端GPU免费训练 返回sucess状态,代表提交离线训练成功,训练结束会以微信和邮件的形式发送结果通知

或者在终端下使用 ./flyai train -b=32 -e=10

项目中有新的Python包引用,必须在 requirements.txt 文件中指定包名,不填写版本号将默认安装最新版

6.下载本地测试数据

首次成功执行本地调试命令后,将在本地代码包中自动生成"data"数据集文件夹

7.使用自己的Python环境

./flyai path=xxx 可以设置自己的Python路径

./flyai path=flyai 恢复系统默认Pyton路径

更多参赛帮助请查看文档中心