# WanTsai

**Repository Path**: naza/wan-tsai

## Basic Information

- **Project Name**: WanTsai
- **Description**: 基于大模型的股票预测
- **Primary Language**: Python
- **License**: GPL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 2
- **Forks**: 1
- **Created**: 2024-04-26
- **Last Updated**: 2025-04-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# WanTsai(旺财)股票预测
WanTsai(旺财)是基于深度时间序列分析进行股票预测的开源项目。基于TSlib项目开发。

## 包含的模型.
  - [x] **iTransformer** - iTransformer: Inverted Transformers Are Effective for Time Series Forecasting [[arXiv 2023]](https://arxiv.org/abs/2310.06625) [[Code]](https://github.com/thuml/Time-Series-Library/blob/main/models/iTransformer.py).
  - [x] **TimesNet** - TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis [[ICLR 2023]](https://openreview.net/pdf?id=ju_Uqw384Oq) [[Code]](https://github.com/thuml/Time-Series-Library/blob/main/models/TimesNet.py).
  - [x] **Transformer** - Attention is All You Need [[NeurIPS 2017]](https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf) [[Code]](https://github.com/thuml/Time-Series-Library/blob/main/models/Transformer.py).
 
## 用法

1. 安装Python 3.8和pytorch-cuda. 并执行以下命令安装依赖包.

    建议通过 [Conda](https://docs.conda.io/en/latest/) 进行环境管理。

    执行以下命令新建一个 conda 环境并安装所需依赖：
    winddows下要注意使用管理员身份运行anconda提供的shell

    ```bash
    conda create -n WanTsai python=3.8
    conda activate WanTsai
    pip install -r requirements.txt
    ```
    在中国可以使用清华镜像加速安装依赖包
    ```bash
    pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt
    ```
    删除环境
    ```bash
    conda deactivate
    conda env remove --name WanTsai
    ```
    安装pytorch-cuda:从https://pytorch.org/安装12.1版本
    
2. 将数据集下载到`./dataset`文件夹下。


3. 最佳实践参数：
* d_ff取d_model的一半可以提升准确率
* 股票预测
```
python -u run.py \
  --task_name long_term_forecast \
  --is_training 1 \
  --root_path ./dataset/featured/ \
  --data_path week \
  --model_id stock_ror \
  --model $model_name \
  --data multi \
  --features MS \
  --target ror \
  --seq_len 12 \
  --label_len 4 \
  --pred_len 1 \
  --e_layers 3 \
  --d_layers 1 \
  --factor 3 \
  --enc_in 8 \
  --dec_in 8 \
  --c_out 1 \
  --des 'Base_ROR_IDXROR' \
  --d_model 512\
  --d_ff 256\
  --itr 1 \
  --freq w \
  --inverse \
```
* 指数预测
```
python -u run.py \
  --task_name long_term_forecast \
  --is_training 1 \
  --root_path ./dataset/featured/week/ \
  --data_path idx \
  --model_id idx_ror \
  --model $model_name \
  --data multi \
  --features MS \
  --target ror \
  --seq_len 12 \
  --label_len 1 \
  --pred_len 1 \
  --e_layers 3 \
  --d_layers 1 \
  --factor 3 \
  --enc_in 7 \
  --dec_in 7 \
  --c_out 1 \
  --des 'Base_ROR' \
  --d_model 128\
  --d_ff 64\
  --itr 1 \
  --freq w \
  --train_epochs 15 \
  --inverse \
```