[PYTHON] 4ème mois pour continuer à faire des prévisions de stock AI pendant 10 heures par jour

Puisqu'il s'agit du 4e article, veuillez vous référer aux articles précédents 3e mois

Pensez à l'objectif initial

Le but initial de ce projet était d'utiliser le deep learning pour gagner de l'argent en bourse ou, plus largement, sur le marché financier. Il y a plusieurs facteurs impliqués dans la réalisation de cet objectif, comme indiqué ci-dessous, et nous pensons que la rentabilité augmentera en améliorant ces facteurs petit à petit et un par un. Cette fois, je voudrais d'abord énumérer ces éléments ici, puis quelles méthodes ont été adoptées et quels plans peuvent être élaborés pour les améliorer.

Quantité et qualité des données de formation
Adaptabilité de la "couche" du deep learning aux données de formation
Comment faire fonctionner l'IA terminée

1. Quantité et qualité des données de formation

Pour obtenir de meilleurs résultats, nous devons éviter le surapprentissage. Il existe deux moyens principaux de prévenir le surentraînement, l'un est d'augmenter la quantité de données et l'autre est d'introduire la régularisation, tandis que le second est 2. la «couche d'apprentissage profond pour les données d'entraînement». Il s'agit de l'adaptabilité de. Il y a aussi des difficultés à augmenter la quantité de données. Il est possible d'augmenter le montant en ajoutant simplement diverses données sur le cours des actions aux données de formation, mais il est controversé et expérimenté d'apprendre des données qui sont un mélange d'actions américaines, d'actions japonaises et d'autres données. Le résultat n'est pas si bon. D'un autre côté, si la gamme de types de données est réduite à seulement certains types (par exemple, les actions japonaises) ou uniquement aux ETF, la quantité de données sera insuffisante cette fois. Existe-t-il un moyen d'augmenter la quantité de données tout en empêchant la diversification des données d'entraînement?

À la suite d'essais et d'erreurs, j'ai proposé une méthode.

Comme vous pouvez le voir sur cette figure, jusqu'à présent, la quantité de données d'entraînement était limitée car les données d'origine étaient simplement divisées en données d'entraînement. D'autre part, si une nouvelle méthode est utilisée, davantage de données d'apprentissage peuvent être extraites d'une donnée originale, et la quantité de données d'apprentissage peut être augmentée le cas échéant. Les "Données" présentées de manière abstraite dans l'image sont, par exemple, les données d'image suivantes.

Il y a un autre bon point à propos de cette méthode. Afin d'améliorer la qualité des données de formation, il est possible d'exclure des données avec peu de fluctuations de prix, mais cela peut atténuer l'inconvénient de réduire la quantité de données. À l'avenir, nous limiterons les types de données et éliminerons de manière appropriée les données qui semblent inutiles pour l'apprentissage, tout en augmentant la quantité de données par la méthode ci-dessus et en visant à maximiser le potentiel des données.

2. Adaptabilité de la "couche" du deep learning aux données de formation

Je pense que cette partie est la plus difficile et mérite d'être étudiée. Au début, j'ai utilisé le modèle séquentiel que j'ai choisi quelque part pour l'apprendre sans le comprendre, mais il y avait une limite à cela, alors j'ai appris un peu plus sur la théorie sous-jacente. Le plus important est peut-être l'ordre de base des couches, qui sont les suivants:

Convolution
Relu
Pooling
Flatten
Fully Connected(Dense)
Softmax

En outre, la convolution, le relu et la mise en commun peuvent être répétés en tant que groupe. Je ne sais pas pourquoi, mais les répéter comme suit tend à améliorer les résultats.

Veuillez noter que vous utilisez peut-être un modèle séquentiel désordonné dont vous ne savez toujours pas grand-chose. À l'avenir, je ferai de mon mieux pour comprendre la théorie des couches aussi profondément que possible et pour construire un modèle séquentiel efficace qui convient à mon objectif.

3. Comment faire fonctionner l'IA terminée

Jusqu'à présent, j'ai sauté les opérations pratiques et les backtests, donc je n'ai pas fait beaucoup de progrès ici. Nous avons introduit la prise de décision démocratique par l'IA et conçu une méthode pour garantir la crédibilité et l'exactitude du jugement de l'IA dans une certaine mesure, mais quand démarrer l'IA (lire le graphique boursier au moment du démarrage et prendre une décision) ), Et le type de comportement d'achat et de vente qui en découlera aura une grande influence sur les bénéfices.

Cette fois, le cours de l'action avait chuté en raison de l'influence du virus corona, j'ai donc récemment montré le graphique des prix dans la gamme suivante à l'IA de trois personnes et essayé de voir quel type de résultat serait obtenu par le vote majoritaire.

J'ai prédit que les deux tiers de l'IA augmenteraient et le résultat était bon. Qu'arrivera-t-il à la bourse la semaine prochaine?