• 資料前處理
• 使用的 Classifiers 模型
• 討論

• 將母 data 的 closeprice 以 list 型態取出，並刪除不必要的欄位，如: 'Close Price', 'Date'。
• 將最後一天的資料刪除，因為若有 n 天，則漲跌數目必只有 n-1 天

• 宣告一個 boolean type 的 List，紀錄漲跌
• 將母 data 取出的 closeprice List 逐一 run 過一遍，若後一天大於當天，則 boolean = 1，反之則，boolean = 0

from sklearn import preprocessing, linear_model

from sklearn import svm

from keras.models import Sequential
from keras.layers import Dense

如上述

三個模型的套入結果，幾乎是一樣的準確率(50多％)，印出預測結果發現也都是一樣的預測。我想可能會是跟資料量的大小不夠多，或是 feature 不夠多有關。

不一定，不同的 dataset 必定會有不一樣適用的模型，自己初次練習時使用過的 iris data 或是網路上常見的鐵答尼號 data，就會有較佳的準確率，推測應該跟資料較完美有關。

• 資料前處理方式改進
  • 因為漲跌是跟時間有關的現象，所以如果要進行資料前處理的優化，我會優化 x 項目的部份。
  • 某一天的漲跌，我認為一定不會只跟前一天的狀態有關，而是會是一段連續的關係，所以我會使用前10,20天或5天(恰好是一週的股市開盤時間(上班日))的 data 為x，去預測下一次的漲跌(y)，並分析哪樣的 x 可以得到最佳的準確度。如此一來 x 的 feature 必定也會有較多項目可以去建立模型，也能實現隨著時間變化的股市問題。畢竟我認為股市不會是一個點的問題，而會是一段趨勢的問題，所以加入"時間"的性質會是我的資料前處理改進。