[PYTHON] Continuer à faire des prévisions de stock AI pendant 10 heures par jour 3ème mois

Article précédent précédent: 1er mois Dernier article: 2ème mois

3e mois

Au deuxième mois, j'avais rencontré pas mal de problèmes. Il semble y avoir une limite à maximiser la précision de prédiction d'une IA. Donc, j'ai proposé une méthode qui pourrait être en mesure d'améliorer encore la précision de la prédiction, donc je vais l'écrire ici.

Théorie de la majorité IA

La méthode est simple, commencez par créer une bonne IA, de préférence un nombre impair d'IA. Après cela, l'IA recueillie prendra un vote à la majorité et prendra la décision finale. En premier lieu, il y a un aspect selon lequel la prédiction est décidée à la majorité dans de nombreux cas, même dans une seule IA, et il est douteux qu'il soit efficace de collecter plusieurs IA et de porter un jugement, mais faisons-le quand même. Le problème est que l'IA collectée doit probablement être diversifiée, plus un certain nombre. L'objectif de ce mois-ci était de créer une IA prédictive haute performance en utilisant diverses données.

Problèmes d'apprentissage

Il y a deux problèmes dans la formation des données. L'un est le surapprentissage et l'autre est le biais de prédiction. Par exemple, si vous le définissez comme une augmentation de 0 et une diminution de 1, le problème de la sortie de nombreux 0 (les 0 occupant 70 à 100% de toutes les prédictions) s'est fréquemment produit dans les modèles précédents. La difficulté avec ces problèmes est que tenter de résoudre le problème du surapprentissage crée un biais dans la prédiction et vice versa. Les trois variables suivantes étaient principalement impliquées dans ce problème: 1. La force des paramètres des couches de normalisation et le nombre de couches. 2. Nombre d'époques. 3. Sélectionnez Optimizer En outre, les facteurs qui affectent les résultats autres que le processus d'apprentissage sont 4. Structure et qualité des données. Et 5. la structure du modèle.

À propos de la recherche sur l'IA

En de rares occasions, vous pouvez accidentellement découvrir une bonne combinaison des variables ci-dessus et aboutir à une bonne ou très bonne IA. L'apprentissage en profondeur nécessite non seulement des données d'apprentissage, mais également divers ajustements et essais et erreurs dans le processus, et j'ai réalisé qu'il y avait de la place pour la recherche et l'amélioration du côté de la bibliothèque qui crée l'IA. J'ai réalisé jusqu'à présent 3 types d'IA, mais les performances des 2ème et 3ème IA sont exceptionnelles par rapport à la 1ère IA, et j'envisage d'expulser la 1ère IA du parlement. AI_No.2

C'est la performance de la deuxième IA que j'ai créée. Il a une précision de prédiction de 65,6% pour toutes les données de prix des actions (43707 pièces) de 2000 sur 500 grandes entreprises américaines, et le ratio de production de 0 (prédiction que le cours de l'action augmentera) est de 57%, ce qui est un problème particulier. Il n'y en a pas. Et la précision attendue de 51,56% lorsque la prédiction est complètement aléatoire suggère que la prédiction est assez puissante.

Planifiez à partir de maintenant

S'il y en a trois, un vote majoritaire sera établi, j'écrirai donc un code de vérification sur le marché boursier actuel.