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