Sinir ağları ile döviz piyasası tahmini

Ticari para birimlerini, tercihen USD / EUR veya USD / GBP'yi otomatikleştirmek için YSA kullanmak istiyorum. Bunun zor olduğunu ve kolay olmayabileceğini biliyorum. Zaten bazı makaleler okudum ve bazı deneyler yaptım ama çok şansım yoktu. Bu işi yapmak için UZMANLAR'dan tavsiye almak istiyorum.

İşte şimdiye kadar yaptığım:

1. Temmuz 2013 ayı için kene verileriyle kene aldım. Teklif / sor / teklif hacmi / teklif hacmi var.
2. Tüm günler için 12PM ila 14PM zaman dilimi için tüm keneler çıkarıldı.
3. Bu verilerden, her bir girişin sırayla n teklif değerinden oluştuğu bir veri kümesi oluşturuldu.
4. Bu verileri, n-1 girişleri olan bir ANN'yi eğitmek için kullandı ve çıktı, öngörülen n. Teklif değeridir.
5. YSA'da n-1 giriş nöronları, (n-1) * 2 + 1 gizli ve 1 çıkış nöronu vardı. Giriş katmanı doğrusal TF'ye, gizli log TF'ye ve çıkış doğrusal TF'ye sahiptir.
6. Önce n-125 ve sonra 10 ile geri yayılım ile ağ eğitildi.

Her iki n için de MSE 0.5'in altına düşmedi ve tam eğitim sırasında bu değerde kaldı. Bunun zaman serisinin tamamen rastgele olması nedeniyle olabileceğini varsayarsak, veri paketinde (pacf) kısmi otokorelasyon bulmak için R paketini kullandım. Bu sadece 2 ve 3 gecikmeler için sıfırdan farklı değerler verdi.

Soru 1: Bu tam olarak ne anlama geliyor?

Sonra rastgeleliği değerlendirmek için aceleyi kullandım. R'de, acele (değerler) 0.9'un üzerinde değerler gösterdi.

Soru 2: Neredeyse rastgele olması gerekiyordu. 0.5'e yakın bir değeri olmalı mı?

YSA eğitimini n = 3 ile tekrarladım. YSA eğitildi ve MSE için oldukça düşük bir değer elde edebildi. Ancak, bu YSA'dan hesaplanan çıktı (n-1). Teklif değerinden çok farklı değildir. Görünüşe göre YSA son teklifi bir sonraki teklif olarak alıyor! Farklı ağ yapılarını (tüm çok katmanlı algılamalar), farklı eğitim parametrelerini vb. Denedim, ancak sonuçlar aynı.

Soru 3: Doğruluğu nasıl artırabilirim? Geri yayılımdan başka eğitim yöntemleri var mı?

Gördüğünüz sonuçlar, eğitim ürününüzün bir yan ürünü değildir, aksine neural netsbu görev için mükemmel bir seçim değildir. Neural netsetkin bir şekilde bir dizi basit fonksiyonu oluşturarak yüksek dereceli doğrusal olmayan bir fonksiyon oluşturmak için bir araçtır. Bu genellikle gerçekten iyi bir şeydir, çünkü sinir ağlarının çok karmaşık kalıplara uymasını sağlar.

Bununla birlikte, bir borsada işlem gören herhangi bir karmaşık desen, hızla bozulur. Karmaşık bir paterni tespit etmek genellikle yararlı sonuçlar üretmez, çünkü kısa vadede tipik olarak karmaşık paternlerdir. Buna ek olarak, seçtiğiniz metriğe bağlı olarak, iyi bir performans göstermenin aslında yatırımda ödeyemeyeceği çeşitli yollar vardır (örneğin yalnızca örneğinizdeki son değeri tahmin etmek gibi).

Buna ek olarak, borsa şaşırtıcı derecede kaotiktir ve bu da neural netaşırı sığmaya yol açabilir . Bu, öğrendiği modellerin zayıf bir şekilde genelleştirileceği anlamına gelir. Sadece bir hisse senedi görme çizgisinde bir şey bir gün içinde azalır ve hisse senedinin nispeten kısa vadede görüldüğü için her zaman azalacağına eşit olarak karar verir. Bunun yerine , daha genel, daha az karmaşık kalıpları tanımlayacak ridgeve gibi teknikler robust regressiondaha iyisini yapar.

Benzer bir Kaggle yarışmasının galibi robust regressionbu nedenle kullanıldı. Bir nöral ağın derin karmaşık işlevleri üzerinde daha düşük bir polinom düzeninin işlevlerini bulan sığ bir öğrenme modeline geçerseniz daha iyi sonuçlar elde edersiniz.

Zaman serisi verileri için çok uygun bir model olan tekrarlayan bir sinir ağını deneyin. Eğitilmesi çok zordur, ancak düzgün bir şekilde eğitildiklerinde iyi performans gösterirler: http://cs229.stanford.edu/proj2012/BernalFokPidaparthi-FinancialMarketTimeSeriesPredictionwithRecurrentNeural.pdf