[PYTHON] Machen Sie weiterhin eine Aktienprognose AI für 10 Stunden pro Tag im 3. Monat

Vorheriger vorheriger Artikel: 1. Monat Letzter Artikel: 2. Monat

3. Monat

Im zweiten Monat hatte ich einige Probleme. Es scheint eine Grenze für die Maximierung der Vorhersagegenauigkeit einer KI zu geben. Also habe ich eine Methode entwickelt, mit der sich die Vorhersagegenauigkeit möglicherweise weiter verbessern lässt. Deshalb werde ich sie hier schreiben.

KI-Mehrheitstheorie

Die Methode ist einfach: Machen Sie zuerst eine gute KI, vorzugsweise eine ungerade Anzahl von KI. Danach wird die gesammelte KI mit der Mehrheit abstimmen und die endgültige Entscheidung treffen. Erstens gibt es einen Aspekt, bei dem die Vorhersage in vielen Fällen sogar in einer KI mit der Mehrheit entschieden wird, und es ist zweifelhaft, ob es effektiv ist, tatsächlich mehrere KI zu sammeln und sie beurteilen zu lassen, aber lassen Sie es uns trotzdem tun. Das Problem ist, dass die gesammelte KI wahrscheinlich vielfältig sein muss, plus eine bestimmte Anzahl. Das Ziel dieses Monats war es, mithilfe verschiedener Daten eine hochleistungsfähige prädiktive KI zu erstellen.

Probleme beim Lernen

Es gibt zwei Probleme beim Trainieren der Daten. Eines ist Überlernen und das andere ist die Tendenz zur Vorhersage. Wenn Sie es beispielsweise so definieren, dass es auf 0 steigt und auf 1 fällt, ist das Problem der Ausgabe vieler Nullen (Nullen belegen 70 bis 100% aller Vorhersagen) in den vorherigen Modellen häufig aufgetreten. Die Schwierigkeit bei diesen Problemen besteht darin, dass der Versuch, das Problem des Überlernens zu lösen, zu einer Verzerrung der Vorhersage führt und umgekehrt. Die folgenden drei Variablen waren hauptsächlich an diesem Problem beteiligt: 1. Die Stärke der Einstellungen für Normalisierungsebenen und die Anzahl der Ebenen. 2. Anzahl der Epochen. 3. Wählen Sie Optimierer Darüber hinaus sind Faktoren, die andere Ergebnisse als den Lernprozess beeinflussen, 4. Datenstruktur und -qualität. Und 5. die Struktur des Modells.

Über KI-Forschung

In seltenen Fällen können Sie versehentlich eine gute Kombination der oben genannten Variablen entdecken und eine gute oder sehr gute KI erzielen. Deep Learning erfordert nicht nur Lerndaten, sondern auch verschiedene Anpassungen und Versuche und Irrtümer im Prozess, und ich erkannte, dass auf der Bibliotheksseite, die KI erzeugt, Raum für Forschung und Verbesserung besteht. Ich habe bisher 3 Arten von KI hergestellt, aber die Leistung der 2. und 3. KI ist im Vergleich zur 1. KI hervorragend, und ich denke darüber nach, die 1. KI aus dem Parlament auszuschließen. AI_No.2

Dies ist die Leistung der zweiten KI, die ich gemacht habe. Es hat eine Vorhersagegenauigkeit von 65,6% für alle Aktienkursdaten (43707 Stück) aus dem Jahr 2000 von 500 großen amerikanischen Unternehmen, und die Produktionsquote von 0 (Vorhersage, dass der Aktienkurs steigen wird) beträgt 57%, was ein besonderes Problem darstellt. Da ist gar nichts. Und die erwartete Genauigkeit von 51,56%, wenn die Vorhersage völlig zufällig ist, legt nahe, dass die Vorhersage ziemlich leistungsfähig ist.

Planen Sie von nun an

Wenn es drei gibt, wird eine Mehrheitsentscheidung getroffen, also werde ich einen Code zur Überprüfung an der tatsächlichen Börse schreiben.