Я учусь использовать RNN для прогнозирования индекса рынка, например, S & P500 (обратите внимание, это индекс S & P, а не 500 разных компаний). Помимо данных об изменении цены я также предоставляю другую информацию, такую как RSI, MACD, EMA
У меня тогда есть 3 метки, которые в будущем будут 1w, 2w 3w, которые я загружаю из отдельного CSV.
Скажите, что это мой пример данных (полностью подготовлен):
price change RSI MACD EMA
0.3 3.2 0.1 0.0
-0.1 3.1 0.1 0.0
-1.2 3.8 0.1 0.2
0.9 2.7 0.1 0.2
1.3 1.7 0.2 0.2
У меня есть отдельный CSV для меток
1w future price change % 2w future price change % 3w future price change %
1.2 1.8 -0.3
0.8 0.2 1.1
0.2 1.5 0.7
1.2 1.7 0.1
-0.2 1.8 -0.3
Моя проблема в том, что я могу найти только примеры, которые используют отдельные функции и / или используют данные будущих тренировок в качестве меток, тогда как я использую отдельный определенный набор данных для меток.
Я собрал код ниже, но в этой строке выдается ошибка подачи формы:
mse = loss.eval(feed_dict={X: trX, Y: trY})
Я подозреваю, что формат моих данных неверен, поскольку он все еще находится в формате, который я использовал для обучения «нормальной» сети прямой связи. Я подозреваю, что требуется некоторая перестройка, но, честно говоря, я не имею ни малейшего понятия, какой формат из-за наличия нескольких функций. Возможно, я также неправильно определил модель (?).
Буду признателен, если кто-нибудь сможет мне помочь с этим.
У меня также есть дополнительный вопрос: ранее (как вы увидите в коде) я бы перетасовал данные, что было бы неплохо для мини-пакетной прямой связи NN, но как это будет работать с RNN, где Я полагаю, вам нужно представить данные в последовательном порядке? Исходя из этого, допустим, я адаптировал это для акций (а не для индекса рынка); мне нужно было бы представлять данные по каждой акции, чтобы составить скользящее окно, а не делать это каждый день? Очевидно, что изо дня в день каждая строка данных будет относиться к разным запасам.
Извините за все вопросы, я все еще собираюсь разобраться с RNNs!
import tensorflow as tf
import numpy as np
import pandas as pd
import datetime
from sklearn.model_selection import train_test_split
# hyperparameters
epochs = 600
batch_size = 128
num_hidden = 100
df = pd.read_csv('C:\\python\\MarketData-Inputs.csv',header=None)
ldf = pd.read_csv('C:\\python\\MarketData-Results.csv',header=None)
# 20% test, shuffle the data, and use random state for like-like comparison between runs
trX, teX, trY, teY = train_test_split(df, ldf, test_size=0.2, shuffle=True, random_state=42)
trX = trX.values.astype('float')
trY = trY.values.astype('float')
teX = teX.values.astype('float')
teY = teY.values.astype('float')
print(trX.shape)
print(trY.shape)
print(teX.shape)
print(teY.shape)
#data params
features_size = len(trX[0])
labels_size = len(trY[0])
step_size = 3
tf.reset_default_graph()
X = tf.placeholder("float", [None, step_size, features_size], name="X")
Y = tf.placeholder("float", [None, labels_size], name="Y")
basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=num_hidden, activation=tf.nn.relu)
rnn_outputs, _ = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32)
stacked_rnn_outputs = tf.reshape(rnn_outputs, [-1, num_hidden])
stacked_outputs = tf.layers.dense(stacked_rnn_outputs, labels_size)
outputs = tf.reshape(stacked_outputs, [-1, step_size, labels_size])
with tf.name_scope("loss"):
loss = tf.reduce_sum(tf.square(outputs - Y))
training_op = tf.train.AdamOptimizer().minimize(loss)
tf.summary.scalar("loss", loss)
init = tf.global_variables_initializer()
with tf.Session() as sess:
init.run()
for ep in range(epochs):
sess.run(training_op, feed_dict={X: trX, Y: trY})
if ep % 100 == 0:
mse = loss.eval(feed_dict={X: trX, Y: trY})
print(ep, "\tMSE:", mse)
y_pred = sess.run(stacked_outputs, feed_dict={X: teX})
print(y_pred)