Update README.md

README.md

@@ -17,6 +17,7 @@
     
     模型：Informer
     Informer是一种基于Transformer模型改进的长时间序列预测（Long Sequence Time-Series Forecasting，LSTF）模型，专门用于处理具有长期依赖关系和不规则间隔的时间序列数据，即具有提取长距离依赖耦合的能力。与Transformer一样，Informer也是典型的编码器解码器模型结构，通过使用自注意力机制和卷积层来捕捉时间序列数据中的时序特征和上下文信息。Informer模型是改进于Transformer的，更适用于长时间序列预测， 近年来的研究表明，Transformer具有提高预测能力的潜力。然而，Transformer存在几个严重的问题，使其不能直接适用于长期时序预测问题，例如二次时间复杂度、高内存使用量和编码器-解码器体系结构固有的局限性。为了解决这些问题，这篇文章中设计了一种基于Transformer的长期时序预测模型，即Informer模型。
+![Informer](./image/Informer.jpg)
 
     交易策略：在本方案中，量化交易策略如上图所示，可详细表述为：通过过去time_step（本方案以60为例）天内的股价数据，对股票连续两日的价格做出预测，并根据股票的涨跌趋势选择购入/继续持有或者卖出/继续等待。即当第n天时(收盘前)，对第n+1天和第n+2天的股票收盘价做出预测，若发现第n+2天的价格高于第n+1天，则说明下一交易日(第n+1天)股价会涨；进一步判断目前的股票持有情况，若目前未持有股票，则可使用第n天收盘价购入股票，若目前已持有股票，则继续持有即可。同理，若发现第n+2天的价格低于第n+1天，则说明下一交易日(第n+1天)股价会跌；进一步判断目前的持有情况，若目前未持有股票，则继续保持空仓不购入股票，若目前已持有股票，则使用第n天收盘价卖出股票。由此，可以实现股票涨价时手中持有股票持续增值，股价下跌时立即反应及时止损，从而实现高收入。
 
@@ -26,6 +27,7 @@
 CPU 为 IntelⓇ i3 － 8100，GPU 为 NVIDIA GTX 1660 SUPEＲ，内存为16GB，
 开发环境为 MindSpore 3.10、Cuda 10．1、Cudnn 7．6。
 使用 Adam 优化器对网络进行优化，使用固定步长衰减进行学习率的调整，实验中的学习率设为 0.001，step_size 取为 2，gamma 取 0.95，批处理大小设为 16，衰减系数设为0.0005，动量设为 0.9。深度学习框架采用MindSpore，编程语言为Python 3.7版本，同时使用了NumPy、Pandas、Matplotlib等库和依赖。</span>
+![Traininglog](./image/Traininglog.jpg)
 
     实验数据集：本实验使用的数据主要来源于Tushare大数据开放社，这是一个提供金融市场数据的在线数据平台，包含了股票、指数、交易数据等大规模金融数据。此外，还使用了社交媒体数据以及国内外公开的金融数据。在数据预处理阶段，进行了数据清洗，以处理可能存在的缺失值和异常值。此外，从原始数据中提取了相关特征，如价格、成交量、新闻情感分析等，并将数据集划分为训练集、验证集和测试集。损失函数使用均方误差（MSE），训练迭代次数为100个迭代轮次。采用学习率衰减策略来逐渐减小学习率，以提高训练的稳定性。实验评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等，用于评估模型对股票价格的预测性能。数据集划分为70%的训练集、15%的验证集和15%的测试集，以支持模型的训练和评估。为确保实验的可重复性，固定了随机种子，并采取了相同的随机初始化策略。数据获取通过Tushare大数据开放社获取了历史股票价格数据，社交媒体数据通过Web抓取，国内外公开的金融数据由相应的数据提供商提供。这些详细的实验条件信息将有助于其他研究人员理解和重现本研究，确保实验结果的可信度和可复现性。
 ![datareshaping](./image/datareshaping.jpg)
@@ -40,6 +42,8 @@ CPU 为 IntelⓇ i3 － 8100，GPU 为 NVIDIA GTX 1660 SUPEＲ，内存为16GB
 	基于鲲鹏openEuler平台，确保了金融数据的完整性和隐私；
 	提供了多维评价体系，帮助投资者更好地评估预测结果；
 	成本效益高，帮助投资者降低投资成本。
+    ![trainingprocess](./image/trainingprocess.jpg)
 
 <span style="color:blue;">5.项目目标</span>
-	本项目的目标是结合MindSpore框架的便携性、Informer的时间序列预测能力与openEuler的稳定性，为金融领域提供一种精确的工具，帮助投资者和决策者更好地理解股票市场。
+	本项目的目标是结合MindSpore框架的便携性、Informer的时间序列预测能力与openEuler的稳定性，为金融领域提供一种精确的工具，帮助投资者和决策者更好地理解股票市场。
+    ![mymodel](./image/mymodel.jpg)