[PYTHON] 4. Monat, um die Aktienprognose AI für 10 Stunden am Tag fortzusetzen

Da es sich um den 4. Artikel handelt, lesen Sie bitte die vorherigen Artikel 3. Monat

Denken Sie über den ursprünglichen Zweck nach

Der ursprüngliche Zweck dieses Projekts bestand darin, durch tiefes Lernen Geld an der Börse oder allgemein am Finanzmarkt zu verdienen. Um dieses Ziel zu erreichen, sind verschiedene Faktoren beteiligt, wie unten gezeigt, und wir glauben, dass die Rentabilität durch eine schrittweise Verbesserung dieser Faktoren steigen wird. Dieses Mal möchte ich zuerst diese Elemente hier auflisten, dann welche Methoden angewendet wurden und welche Pläne gemacht werden können, um sie zu verbessern.

Quantität und Qualität der Trainingsdaten
Anpassungsfähigkeit der "Schicht" des tiefen Lernens an Trainingsdaten
So bedienen Sie die fertige KI

1. Quantität und Qualität der Trainingsdaten

Um bessere Ergebnisse zu erzielen, müssen wir Überlernen verhindern. Es gibt zwei Hauptmethoden, um ein Übertraining zu verhindern: Die eine besteht darin, die Datenmenge zu erhöhen und die andere darin, eine Regularisierung einzuführen, während die zweite die "Ebene des tiefen Lernens für Trainingsdaten" ist. Es geht um die Anpassungsfähigkeit von. Es gibt auch einige Schwierigkeiten bei der Erhöhung der Datenmenge. Es ist möglich, den Betrag durch einfaches Hinzufügen verschiedener Aktienkursdaten zu den Trainingsdaten zu erhöhen. Es ist jedoch umstritten und erfahren, Daten zu lernen, die eine Mischung aus US-Aktien, japanischen Aktien und anderen Daten darstellen. Das Ergebnis ist nicht so gut. Wenn andererseits der Bereich der Datentypen auf nur einige Typen (z. B. japanische Aktien) oder nur ETFs eingegrenzt wird, ist die Datenmenge diesmal unzureichend. Gibt es eine Möglichkeit, die Datenmenge zu erhöhen und gleichzeitig die Diversifizierung der Trainingsdaten zu verhindern?

Als Ergebnis von Versuch und Irrtum habe ich eine Methode entwickelt.

Wie Sie dieser Abbildung entnehmen können, war die Menge der Trainingsdaten bisher begrenzt, da die ursprünglichen Daten einfach in Trainingsdaten unterteilt wurden. Wenn andererseits eine neue Methode verwendet wird, können mehr Trainingsdaten aus den Originaldaten extrahiert und die Menge der Trainingsdaten entsprechend erhöht werden. Die im Bild abstrakt gezeigten "Daten" sind beispielsweise die folgenden Bilddaten.

Es gibt noch einen weiteren guten Punkt bei dieser Methode. Um die Qualität der Trainingsdaten zu verbessern, ist es möglich, Daten mit geringen Preisschwankungen auszuschließen. Dies kann jedoch den Nachteil einer Verringerung der Datenmenge verringern. In Zukunft werden wir die Datentypen eingrenzen und Daten, die für das Lernen unnötig erscheinen, angemessen eliminieren, während wir die Datenmenge mit der oben beschriebenen Methode erhöhen und darauf abzielen, das Potenzial der Daten zu maximieren.

2. Anpassungsfähigkeit der "Schicht" des tiefen Lernens an Trainingsdaten

Ich denke, dieser Teil ist der schwierigste und lohnenswerteste. Zuerst habe ich das sequentielle Modell verwendet, das ich irgendwo aufgenommen habe, um es zu lernen, ohne es zu verstehen, aber das war begrenzt, also habe ich ein wenig über die zugrunde liegende Theorie gelernt. Am wichtigsten ist vielleicht die Grundreihenfolge der Schichten, die wie folgt lautet:

Convolution
Relu
Pooling
Flatten
Fully Connected(Dense)
Softmax

Convolution, Relu und Pooling können auch als Gruppe wiederholt werden. Ich weiß nicht warum, aber wenn ich diese wie folgt wiederhole, verbessern sich die Ergebnisse.

Bitte beachten Sie, dass Sie möglicherweise ein durcheinandergebrachtes sequentielles Modell verwenden, über das Sie noch nicht viel wissen. In Zukunft werde ich mein Bestes geben, um die Theorie der Schichten so tief wie möglich zu verstehen und ein effizientes sequentielles Modell zu erstellen, das meinem Zweck entspricht.

3. So bedienen Sie die fertige KI

Bis jetzt habe ich praktische Operationen und Backtesting übersprungen, daher habe ich hier keine großen Fortschritte gemacht. Wir haben die demokratische Entscheidungsfindung durch die KI eingeführt und eine Methode entwickelt, um die Glaubwürdigkeit und Genauigkeit des Urteils der KI in gewissem Maße sicherzustellen, aber wann mit der KI begonnen werden soll (lesen Sie die Aktienkarte zum Zeitpunkt des Starts und treffen Sie eine Entscheidung). ), Und welche Art von Kauf- und Verkaufsverhalten dadurch ausgelöst wird, hat einen großen Einfluss auf die Gewinne.

Dieses Mal war der Aktienkurs aufgrund des Einflusses des Koronavirus gesunken, daher habe ich kürzlich der KI von drei Personen das Kursdiagramm im folgenden Bereich gezeigt und versucht zu sehen, welche Ergebnisse mit der Mehrheit erzielt werden.

Ich sagte voraus, dass zwei Drittel der KI steigen würden, und das Ergebnis war gut. Was wird nächste Woche mit der Börse passieren?