代寫編程、代寫機器學習模型、代寫AI python
代寫編程、代寫機器學習模型
基於不同的機器學習模型,利用大量的特征變量,對標的資產價格的波動進行預測研究,並對預測效果進行評價。機器學習的模型包括,但不限於XGBoost、GBDT、LSTM等經典學習模型。待研究的資產包括:股票、債券、大宗商品等可配置資產。特征變量包括宏觀經濟變量、行業變量、標的價格序列等。對於大宗商品中的螺紋鋼,我們將提供供給、需求、成本等該品種特定的特征變量。參賽選手需要考慮到數據中時間序列的特性,以及不同頻率之間數據的組織,並通過有效的特征提取方法,構建標的價格波動預測模型。我們將給出具體的資產指數和可能的特征變量,參賽選手需要去探索這些資產的預測模型。
評價指標:
我們用歸一均方根誤差(uniformed root mean squared error, URMSE)度量對單個序列的預測誤差:
選手對Y1、Y2、Y3、鋼鐵的序列進行預測,並計算分別計算出URMSE1、URMSE2、URMSE3、URMSE4,最終總評價指標=(URMSE1+URMSE2+URMSE3+URMSE4)/4,依據總評價指標從低到高進行排序。
數據說明
1、X序列_train.xls、X序列_test.xls、鋼鐵X_train.xls、鋼鐵數據_test.xls提供了訓練集與測試集的宏觀經濟變量、行業變量等特征變量,選手自行構建有效的特征。
2、Y_train.xls中包含4個sheet,分別表示訓練集中Y1、Y2、Y3、鋼鐵在不同時間段內的價格波動情況。
3、提交樣例:
3.1.采用UTF-8無BOM編碼的txt文件提交,一共提交一份txt文件。
3.2.Y1,Y2,Y3,鋼鐵的價格預測分為四個模塊,每個模塊的開始分別用一行Y1,Y2,Y3,iron字符串標識。
3.3.必須按照給定的時間點進行預測,date和price之間是\t分割,不能有遺漏的數據或多出的數據。
格式:
Y1
date1 price
date2 price
...
Y2
date1 price
...
Y3
...
iron
...
3.4 具體格式可參考submit_sample.txt(註意:submit_sample.txt只給出了日期,提交時請在每行的日期後面加上\t和對應的預測值)
我們的方向領域:window編程 數值算法 AI人工智能 金融統計 計量分析 大數據 網絡編程 WEB編程 通訊編程 遊戲編程多媒體linux 外掛編程 程序API圖像處理 嵌入式/單片機 數據庫編程 控制臺 進程與線程 網絡安全 匯編語言 硬件編程 軟件設計 工程標準規等。其中代寫代做編程語言或工具包括但不限於以下範圍:
C/C++/C#代寫
Java代寫
IT代寫
Python代寫
輔導編程作業
Matlab代寫
Haskell代寫
Processing代寫
Linux環境搭建
Rust代寫
Data Structure Assginment 數據結構代寫
MIPS代寫
Machine Learning 作業 代寫
Oracle/SQL/PostgreSQL/Pig 數據庫代寫/代做/輔導
Web開發、網站開發、網站作業
ASP.NET網站開發
Finance Insurace Statistics統計、回歸、叠代
Prolog代寫
Computer Computational method代做
因為專業,所以值得信賴。如有需要,請加QQ:99515681 或郵箱:[email protected]
微信:codinghelp
代寫編程、代寫機器學習模型、代寫AI python