这部影片是系列教学的第三部分，重点在使用...来自Bill Simons

Bill Simons

07 Oct 2025, 12:07 · 阅读量 66

这部影片是系列教学的第三部分，重点在使用循环神经网络 (RNN) 和长短期记忆网络 (LSTM) 来预测黄金价格。视频中详细介绍了从数据预处理到模型训练和评估的整个过程。

风险提示：本文所述仅代表作者个人观点，不代表 Followme 的官方立场。Followme 不对内容的准确性、完整性或可靠性作出任何保证，对于基于该内容所采取的任何行为，不承担任何责任，除非另有书面明确说明。

喜欢的话，赞赏支持一下

Bill Simons

作者

10月07日

一、数据处理视频首先讲解了时间序列数据的预处理过程：将日线数据转换为月线和年线，以便分析更长期的趋势。对数据进行了标准化处理（归一化到 0～1 区间），以提升模型训练的稳定性与预测精度。二、模型构建视频使用了功能强大的时间序列预测库——Darts：支持多种模型，如ARIMA、RNN、LSTM等。通过统一的接口，可以快速比较不同模型的预测效果。三、协变量设计为提升模型的预测能力，视频中加入了协变量（例如年份、月份等），帮助模型捕捉时间特征和季节性变化，从而更准确地预测价格走势。四、模型训练与评估视频演示了RNN 和 LSTM 模型的训练全过程。使用**平均绝对百分比误差（MAPE）**作为模型性能的衡量指标。通过可视化结果对模型预测效果进行直观评估。

Bill Simons

作者

10月07日

💡 技术亮点 1. LSTM 模型 LSTM（长短期记忆网络）是一种特殊的 RNN，非常适合处理时间序列预测任务。能有效捕捉数据中的长期依赖关系，在预测复杂的金融或商品价格时具有显著优势。 2. Darts 库 Darts 是专为时间序列分析与预测而开发的开源 Python 库。提供统一接口与多模型集成，可轻松在传统统计模型与深度学习模型之间切换。还支持协变量输入、异常检测与模型组合等高级功能。 🎓 学习价值这个系列视频非常适合机器学习与量化交易入门者：帮助观众掌握从数据处理到模型评估的完整流程。通过动手实践，理解时间序列预测中的核心概念（如标准化、协变量、模型评估指标等）。为后续更复杂的预测模型（如混合模型或多变量预测）奠定基础。

-THE END-

文章相关

Bill Simons

5 Posted · 53 Followers

我是 Bill，对人工智能与金融数据研究充满兴趣，主要关注黄金市场的价格变化规律。

更多内容

Bill Simons

在这期内容里，我们将一起学习如何使用 Python 和 AI 机器学习模型来预测商品价格。视频会带你从零开始，完整走一遍数据处理、模型训练、预测可视化的全过程。首先，我们会介绍编程环境和工具。你将看到如何在 Jupyter Notebook 和 Google Colab 中运行代码、读取数据，以及用 Matplotlib、Pandas、NumPy 等库来完成数据处理和可视化。此外，我们还会使用一个非常实用的时间序列预测库 —— Darts。接着，我们进入数据部分。视频会演示如何导入 CSV 文件、清洗和整理数据、把日线数据转换为月线数据，并划分训练集和测试集，为模型训练做好准备。在模型部分，我们会介绍两种核心算法：一种是指数平滑模型（Exponential Smoothing），适合平稳的时间序列；另一种是随机森林模型（Random Forest），通过集成学习捕捉复杂的非线性关系。我们将使用这些模型进行训练，并通过 MAPE（平均绝对百分比误差）来评估预测精度。同时，你也会看到**回测（Backtest）**的过程，了解模型在历史数据上的表现。最后，视频将展示预测结果与真实数据的对比图，让你直观看到模型的预测能力。值得一提的是，本视频的内容仅供学习与研究使用，

Bill Simons