[PYTHON] Machen Sie weiterhin Aktienprognose AI für 10 Stunden am Tag 2. Monat 2. Woche

planen

Ich habe die meisten einfachen Dinge getan. Was können wir von hier aus tun, um die praktische Leistung des Modells zu verbessern? Ich habe derzeit zwei Ideen.

Fügen Sie dem Bild im Datensatz einige Informationen hinzu. Zum Beispiel langfristige Trends und Handelsvolumina.
Lernen Sie automatisch in mehreren Ebenen und speichern Sie nur die besten Ergebnisse, um die Leistung im Schlaf zu verbessern.

Ich habe Nr. 1 ausprobiert, aber ich werde ab morgen Nr. 2 machen.

Frage 1.

63,77% der Bilder im Datensatz sind als "up" gekennzeichnet, und dieses Modell lernt möglicherweise zu schnell, "up" in schneller Folge zu starten. In der Praxis besteht der Zweck dieses Modells und des allgemeinen Tiefenlernens darin, die Verlustfunktion zu minimieren, und Genauigkeit scheint im Training keine große Rolle zu spielen, sodass dies kein Problem zu sein scheint.

Als Experiment habe ich versucht zu trainieren, indem ich das Verhältnis von "hoch" zu "runter" im Datensatz auf 1: 1 eingestellt habe, indem ich das mit "hoch" gekennzeichnete Bild entsprechend entfernt habe. Dieses Ergebnis wurde nach 75 Epochen erhalten.

Dies zeigt nicht, wie sich das Ungleichgewicht des Datensatzes auf die Vorhersagegenauigkeit des Modells auswirkt, aber zumindest zeigt dieses Ergebnis, dass dieses Modell den Cointos-Bot übertrifft.

Problem 2.

Aufgrund der extremen Vereinfachung des Datensatzes und des Modells besteht die einzige Funktion dieses Modells darin, zu bestimmen, ob der Preis nur zwei Monate später unter Berücksichtigung von Preisschwankungen während dieses Zeitraums steigt oder fällt. Nicht. Ein realistischer Betrieb kann daher gefährlich sein.

Betrachten Sie die Praktikabilität.

Ich habe dem Bild im Datensatz Volumen hinzugefügt, um dem Modell maximale Informationen über den Finanzmarkt zu geben. Dies scheint keine schlechte Idee zu sein, aber das Problem ist, dass die Volumenskala von Bild zu Bild variieren kann. .. Ich denke, wir müssen etwas mehr über Pyplot lernen.

Lassen Sie Python 2203 Bilder aus dem Jahr 2010 lernen.

Ungefähr 60 Epochen sehen gut aus. Setzen Sie also Epochen = 60 und versuchen Sie es erneut.

Sieht gut aus.

Wenn dieses Modell anhand von Testdaten Vorhersagen trifft, besteht eine Wahrscheinlichkeit von 74,64%, dass es mit "up" antwortet, und 66,4% aller Testdatensätze werden mit "up" gekennzeichnet. Wenn das Modell mit einer Wahrscheinlichkeit von 74,64%, vollständig zufällig zu sein, "hoch" ausgibt, beträgt die erwartete Genauigkeit beim Testen mit diesen Testdaten 58,07%, sodass dieses Modell mit einer Genauigkeit von 63,7% mindestens höher ist als das Rätselraten. Man kann sagen, dass es Leistung ist.

Fazit

Dieses Modell hat sich zu einem sogenannten längeren Gehirn entwickelt, das glaubt, dass der Marktpreis fast ständig steigen wird, und es scheint, dass es nicht sehr praktisch ist. Andererseits scheint es jedoch möglich zu sein, mit diesem Modell Anzeichen einer Rezession zu erkennen. Dies liegt daran, dass, wenn ein Modell, das versucht, so viel wie möglich "hoch" auszugeben, als Antwort "runter" ausgibt, möglicherweise etwas hinter diesem Urteil steckt. Wir werden nun die Ergebnisse und Vorhersagen dieses Modells untersuchen, um festzustellen, ob dies möglich ist.

Derzeit haben dieses Modell und dieser Datensatz viele Probleme, und ich möchte jedes Problem einzeln lösen und schließlich eine praktische KI erstellen. Wenn Sie Ihren Computer lernen lassen, werden Sie im Übrigen überrascht sein, wie lange die Verarbeitung dauert. Ich habe einen Artikel über Quantencomputer in Newton gelesen, aber wenn die für diesen Prozess erforderliche Zeit drastisch verkürzt wird, passen KI- und Quantencomputer perfekt zusammen.

Planen Sie von nun an

Erfahren Sie mehr über Pyplot, weil die Möglichkeit, Handelsvolumen hinzuzufügen, so schrecklich ist
Lernen Sie die Daten des Lehman-Schocks kennen
Probieren Sie es auf dem realen Markt aus
Erhöhen Sie die Datenmenge um das 10-fache oder mehr. Derzeit verwenden wir Toyota-Daten von 40 repräsentativen amerikanischen und japanischen Unternehmen, aber ich möchte dies auf alle S & P 500-Unternehmen und Nikkei-Durchschnittsunternehmen von 225 ausweiten. Oder ist es besser, nur zwei ETFs als Daten zu verwenden? Wie auch immer, ich möchte verschiedene Versuche und Fehler in Bezug auf die zu verwendenden Daten machen, auch nachdem ich dies versucht habe. Von nun an möchte ich angeben, welche Daten ich gelernt habe.

Bis nächste Woche.