[PYTHON] Continuer à faire des prévisions de stock AI pendant 10 heures par jour 2e mois 2e semaine

plan

J'ai fait la plupart des choses faciles. Que pouvons-nous faire pour améliorer les performances pratiques du modèle à partir d'ici? J'ai actuellement deux idées.

Ajoutez des informations à l'image dans l'ensemble de données. Par exemple, les tendances à long terme et les volumes de négociation.
Apprenez automatiquement en plusieurs couches et enregistrez uniquement les meilleurs résultats pour améliorer les performances pendant le sommeil.

J'ai essayé le n ° 1, mais je ferai le n ° 2 à partir de demain.

Question 1.

63,77% des images de l'ensemble de données sont étiquetées «up» et ce modèle peut surapprendre à déclencher «up» en succession rapide. En pratique, le but de ce modèle et de l'apprentissage profond général est de minimiser la fonction de perte, et la précision ne semble pas avoir beaucoup d'importance dans la formation, donc cela ne semble pas être un problème.

Référence: En tant qu'expérience, j'ai essayé de m'entraîner en définissant le rapport «haut» à «bas» dans l'ensemble de données à 1: 1 en supprimant de manière appropriée l'image étiquetée «haut». Ce résultat a été obtenu après 75 époques.

Cela ne montre pas l'effet du déséquilibre de l'ensemble de données sur la précision de prédiction du modèle, mais au moins ce résultat montre que ce modèle surpasse le Bot Cointos.

Problème 2.

En raison de l'extrême simplification de l'ensemble de données et du modèle, la seule fonction de ce modèle est de déterminer si le prix augmente ou diminue à peine deux mois plus tard, en tenant compte des fluctuations de prix pendant cette période. Ne pas. Par conséquent, un fonctionnement réaliste peut être dangereux.

Considérez l'aspect pratique.

J'ai ajouté un volume de trading aux images de l'ensemble de données pour donner au modèle un maximum d'informations sur le marché financier, ce qui ne semble pas être une mauvaise idée, mais le problème est que l'échelle du volume de trading peut varier d'une image à l'autre. .. Je pense que nous devons en apprendre un peu plus sur Pyplot.

Laissez Python apprendre 2203 images de 2010.

Environ 60 époques semblent bonnes, alors définissez Epochs = 60 et réessayez.

Cela semble bon.

Lorsque ce modèle fait des prédictions en utilisant des données de test, il y a 74,64% de chances qu'il réponde «up» et 66,4% de tous les jeux de données de test seront étiquetés «up». Si le modèle produit "up" avec 74,64% de chances d'être complètement aléatoire, la précision attendue lors du test avec ces données de test est de 58,07%, donc ce modèle avec une précision de 63,7% est au moins plus élevée que les suppositions. On peut dire que c'est la performance.

Conclusion

Ce modèle est devenu un soi-disant cerveau plus long, qui pense que le prix du marché augmentera presque tout le temps, et il semble que ce n'est pas très pratique. Cependant, en revanche, il semble que ce modèle puisse être utilisé pour détecter des signes de récession. C'est parce que lorsqu'un modèle qui essaie de produire autant que possible «vers le haut» produit «vers le bas» comme réponse, il peut y avoir quelque chose derrière ce jugement. Nous allons maintenant étudier les résultats et les prévisions de ce modèle pour voir si cela est possible.

Actuellement, ce modèle et cet ensemble de données posent de nombreux problèmes, et j'aimerais résoudre chaque problème un par un et éventuellement créer une IA pratique. En passant, si vous laissez votre ordinateur apprendre, vous serez surpris du temps qu'il faut pour traiter. J'ai lu un article sur les ordinateurs quantiques à Newton, mais si le temps requis pour ce processus est considérablement raccourci, l'IA et les ordinateurs quantiques sont parfaitement adaptés.

Planifiez à partir de maintenant

En savoir plus sur pyplot car la façon d'ajouter du volume de trading est si terrible
Apprenez les données du choc Lehman
Essayez-le sur le marché réel
Augmentez la quantité de données de 10 fois ou plus. Actuellement, nous utilisons les données Toyota de 40 entreprises américaines et japonaises représentatives, mais je voudrais étendre cela à toutes les entreprises du S & P 500 et à la moyenne de Nikkei 225 entreprises. Ou est-il préférable de n'utiliser que deux ETF comme données? Quoi qu'il en soit, je voudrais faire divers essais et erreurs concernant les données à utiliser même après avoir essayé cela. Désormais, je voudrais préciser quelles données j'ai apprises.

à la semaine prochaine.