[PYTHON] Aktienkursprognose mit Tensorflow
http://qiita.com/northriver/items/4f4690053e1770311335
Ich bin an Tensorlfow gewöhnt, also werde ich versuchen, den Aktienkurs mit Deeplearning vorherzusagen. Erstellen Sie ein Aufnahmedatum und verwenden Sie den Aktienkurs der letzten 90 Tage (an Werktagen) und den Aktienkurs 30 Tage später, um Aktien zu veröffentlichen, die wahrscheinlich steigen werden.
Die korrekten Antwortdaten nach 30 Tagen wurden als x% höher, niedriger oder in der Zwischenzeit in Bezug auf den Standard ausgewählt. Ich beschloss, es als Klassifizierungsproblem zu lösen.
Stellen Sie zunächst die erforderlichen Funktionen mit zwei ausgeblendeten Ebenen her
import tensorflow as tf
import numpy as np
sess = tf.InteractiveSession()
def inference(x_placeholder,SCORE_SIZE,NUM_HIDDEN1,NUM_OUTPUT,keep_prob):
with tf.name_scope('hidden1') as scope:
hidden1_weight = tf.Variable(tf.truncated_normal([SCORE_SIZE, NUM_HIDDEN1], stddev=0.1), name="hidden1_weight")
hidden1_bias = tf.Variable(tf.constant(0.1, shape=[NUM_HIDDEN1]), name="hidden1_bias")
mean1, variance1 = tf.nn.moments(x_placeholder,[0])
bn1 = tf.nn.batch_normalization(x_placeholder, mean1, variance1, None, None, 1e-5)
hidden1_output = tf.nn.relu(tf.matmul(bn1, hidden1_weight) + hidden1_bias)
with tf.name_scope('hidden2'):
hidden2_weight = tf.Variable(tf.truncated_normal([NUM_HIDDEN1, NUM_HIDDEN2], stddev=0.01), name='hidden2_weight')
hidden2_bias = tf.Variable(tf.constant(0.1, shape=[NUM_HIDDEN2]), name="hidden2_bias")
mean2, variance2 = tf.nn.moments(hidden1_output,[0])
bn2 = tf.nn.batch_normalization(hidden1_output, mean2, variance2, None, None, 1e-5)
hidden2_output = tf.nn.relu(tf.matmul(bn2, hidden2_weight) + hidden2_bias)
dropout = tf.nn.dropout(hidden1_output, keep_prob)
with tf.name_scope('output') as scope:
output_weight = tf.Variable(tf.truncated_normal([NUM_HIDDEN1, NUM_OUTPUT], stddev=0.1), name="output_weight")
output_bias = tf.Variable(tf.constant(0.1, shape=[NUM_OUTPUT]), name="output_bias")
mean_out, variance_out = tf.nn.moments(dropout,[0])
bn_out = tf.nn.batch_normalization(dropout, mean_out, variance_out, None, None, 1e-5)
output = tf.nn.softmax(tf.matmul(bn_out, output_weight) + output_bias)
return output
def loss(output, y_placeholder, loss_label_placeholder):
with tf.name_scope('loss') as scope:
loss = tf.reduce_mean(-tf.reduce_sum(y_placeholder * tf.log(tf.clip_by_value(output,1e-10,1.0)), reduction_indices=[1]))
return loss
def training(loss,rate):
with tf.name_scope('training') as scope:
train_step = tf.train.GradientDescentOptimizer(rate).minimize(loss)
return train_step
Hier habe ich darauf geachtet, dass es besser ist, eine Chargennormalisierung durchzuführen, also habe ich versucht, in alle Schichten zu graben
Die Anzahl der ausgeblendeten Ebenen und die Lernrate sind angemessen und werden in Zukunft angepasst. Lauf!
rate=0.08
SCORE_SIZE=90
NUM_OUTPUT=3
NUM_HIDDEN1=90
NUM_HIDDEN2=45
y_placeholder = tf.placeholder("float", [None, NUM_OUTPUT], name="y_placeholder")
x_placeholder = tf.placeholder("float", [None, SCORE_SIZE], name="x_placeholder")
loss_label_placeholder = tf.placeholder("string", name="loss_label_placeholder")
keep_prob = tf.placeholder("float")
output = inference(x_placeholder,SCORE_SIZE,NUM_HIDDEN1,NUM_OUTPUT,keep_prob)
loss1 = loss(output, y_placeholder, loss_label_placeholder)
training_op = training(loss1,rate)
correct_prediction = tf.equal(tf.argmax(output,1), tf.argmax(y_placeholder,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
best_loss = float("inf")
sess.run(tf.initialize_all_variables())
for step in range(1001):
x_train,y_train,c_train=train_data_make(SCORE_SIZE,200)
feed_dict_train={y_placeholder: y_train,x_placeholder: x_train,keep_prob: 0.8}
feed_dict_test={y_placeholder: y_test,x_placeholder: x_test, keep_prob: 1.0}
if step%100 == 0:print "size %d,step %d,rate %g loss %g,test accuracy %g"%(num_long,step,rate,loss1.eval(feed_dict=feed_dict_train),accuracy.eval(feed_dict=feed_dict_test))
sess.run(training_op, feed_dict=feed_dict_train)
#test_result
print "final_result : size %d,step %d, test accuracy %g"%(num_long,step,accuracy.eval(feed_dict=feed_dict_test))
Infolgedessen werden 9 zugeteilt ... Nun, die meisten Aktien ändern sich nicht innerhalb eines Monats, so dass es möglicherweise an keiner Änderung liegt. Vielmehr wurden 90% der Testdaten unverändert klassifiziert ...
size 90,step 0,rate 0.08 loss 1.31044,test accuracy 0.257594
size 90,step 100,rate 0.08 loss 0.369047,test accuracy 0.91373
size 90,90,step 200,rate 0.08 loss 0.249306,test accuracy 0.90887
・ ・ ・
Werfen wir einen Blick darauf, welche Zahlen für jede Aktie angegeben sind. Immerhin gab es viele Erwartungen, dass es sich nicht ändern würde, aber ... Das? Wenn Sie sie in absteigender Reihenfolge der Wahrscheinlichkeit eines Anstiegs anordnen, wird dies von einigen Aktien erwartet.
Ist es auch eine einzigartige Bewegung, bevor der Aktienkurs steigt?
Ich würde gerne die Situation für eine Weile sehen und beobachten, ob sie wirklich steigt.
Demnach sollte die Chargengröße kleiner sein http://postd.cc/26-things-i-learned-in-the-deep-learning-summer-school/ (Bitte investieren Sie auf eigenes Risiko in Aktien. Artikel sind überhaupt nicht verantwortlich.)
Recommended Posts