Перевод с японского на английский. (Поскольку в Японии мало информации)
Я использую DL4j для прогнозирования цен на акции. Независимо от того, сколько проб и ошибок, обучение не происходит вообще. В чем причина?
Поскольку считываемые данные нормализованы, я думаю, что нет большой разницы для каждой марки.
После прикрепленного изображения, независимо от того, сколько часов вы изучаете, он останется прежним.
[Input] 0 Начальная цена акций
1 Высокая цена акций
2 Низкая цена акций
3 Конечная цена акций
4 Уникальное значение A
5 Уникальное значение B
Unique valueA и Unique valueB is Это результат вычисления по алгоритму, который я разработал. Он представляет характеристики дня и дает четкую связь с повышением и понижением будущих цен на акции.
[Выходные данные] В настоящее время мы ожидаем up``silent``down в течение 10 дней с тремя выходными данными.
Даже если вы попробуете это с двумя выходными данными up``other, обучение не будет прогрессировать.
Предскажите, будет ли цена акций расти или падать более чем на 10% в течение 10 дней.
Как упоминалось ранее, входные данные [4] и входные данные [5] относятся к скачкам цен на акции и могут быть предсказаны.
Я занимаюсь машинным обучением для устранения ложных срабатываний.
【DataSet】 Существуетогромный набор данных. Это пример. Шаг по времени составляет 100.
===========INPUT===================
[[[ 1.0357, 1.0513, 1.0147 ... 0.9730 0.9695, 0.9734],
[ 1.0388, 1.0341, 1.0022 ... 0.9656 0.9734, 0.9734],
[ 1.0427, 1.0513, 1.0201 ... 0.9734 0.9734, 0.9738],
[ 1.0318, 1.0287, 0.9855 ... 0.9656 0.9664, 0.9734],
[ 1.6755, 1.2601, 0.3456 ... 0 0.7736, 6.7037],
[ 0.3751, 0.3616, 1.1761 ... 0.2864 0.5629, 0.4131]],
[[ 1.0821, 1.0801, 1.0601 ... 1.3061 1.3001, 1.2961],
[ 1.1001, 1.0901, 1.0401 ... 1.2981 1.2821, 1.3381],
[ 1.1001, 1.0901, 1.0601 ... 1.3101 1.3001, 1.3381],
[ 1.0801, 1.0621, 1.0241 ... 1.2601 1.2821, 1.2961],
[ 0.0688, 0.9349, 0.0838 ... 1.6641 0, 0.3009],
[ 1.3479, 0.0673, 0 ... 0.6315 0.9210, 58.8286]],
[[ 1.0900, 1.0708, 1.0708 ... 1.0900 1.0836, 1.0772],
[ 1.0772, 1.0580, 1.1157 ... 1.0836 1.0708, 1.0516],
[ 1.0964, 1.0708, 1.1157 ... 1.0900 1.0836, 1.0772],
[ 1.0772, 1.0451, 1.0708 ... 1.0772 1.0708, 1.0516],
[ 0.2267, 0.9888, 0 ... 0.5150 2.3653, 0],
[ 1.7519, 0.6446, 1.7559 ... 2.0206 0.2649, 9.3929]],
...,
[[ 0.9925, 0.9925, 0.9953 ... 1.0109 1.0091, 1.0119],
[ 0.9925, 0.9971, 0.9888 ... 1.0063 1.0119, 1.0082],
[ 0.9971, 0.9980, 0.9953 ... 1.0119 1.0119, 1.0128],
[ 0.9925, 0.9879, 0.9852 ... 1.0063 1.0073, 1.0063],
[ 0.5251, 0.5053, 0.4411 ... 1.9785 0.9391, 7.1644],
[ 0.9026, 0, 0.8412 ... 0.1732 0.1513, 0.0467]],
[[ 0.7903, 0.7764, 0.7875 ... 1.0193 1.0165, 0.9216],
[ 0.7764, 0.8015, 0.7819 ... 1.0221 1.0109, 0.9160],
[ 0.7959, 0.8015, 0.7959 ... 1.0584 1.0556, 0.9355],
[ 0.7764, 0.7764, 0.7819 ... 1.0193 1.0054, 0.8881],
[ 0.7363, 0.3788, 0.3158 ... 0.4995 0.6567, 6.4159],
[ 0.1783, 0.3246, 0.8313 ... 0.6535 0.3348, 0.1456]],
[[ 0.8960, 0.9086, 0.9194 ... 0.9844 0.9553, 0.9875],
[ 0.8935, 0.9169, 0.9068 ... 0.9680 0.9585, 1.0159],
[ 0.8960, 0.9219, 0.9225 ... 0.9869 0.9831, 1.0229],
[ 0.8821, 0.9023, 0.9017 ... 0.9642 0.9553, 0.9818],
[ 4.5974, 0, 0.6352 ... 0.4522 0.6429, 0.7656],
[ 0.3374, 0.3450, 1.0265 ... 1.5891 2.2172, 7.6396]]]
=================OUTPUT==================
[[[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 0]],
[[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 0]],
[[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 1.0000]],
...,
[[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 1.0000]],
[[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 0]],
[[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 0],
[ 0, 0, 0 ... 0 0, 0]]]
===========INPUT MASK===================
[[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000],
[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000],
[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000],
...,
[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000],
[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000],
[ 1.0000, 1.0000, 1.0000 ... 1.0000 1.0000, 1.0000]]
===========OUTPUT MASK===================
[[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 1.0000],
...,
[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 1.0000],
[ 0, 0, 0 ... 0 0, 1.0000]]
【NeuralNetwork】
NumInputs = 6
NumOutputs = 3
NumLstmLayers = 256
val conf = NeuralNetConfiguration.Builder()
.seed(19920528)
.weightInit(WeightInit.XAVIER)
.miniBatch(true)
.updater(Adam())
.optimizationAlgo(OptimizationAlgorithm.STOCHASTIC_GRADIENT_DESCENT)
.list()
.layer(LSTM.Builder()
.nIn(NumInputs)
.nOut(NumLstmLayers)
.activation(Activation.TANH)
.build()
)
.layer(LSTM.Builder()
.nIn(NumLstmLayers)
.nOut(NumLstmLayers)
.activation(Activation.TANH)
.build()
)
.layer(RnnOutputLayer.Builder(LossFunctions.LossFunction.MCXENT)
.nIn(NumLstmLayers)
.nOut(NumOutputs)
.activation(Activation.SOFTMAX)
.build()
)
// .backpropType(BackpropType.TruncatedBPTT)
// .tBPTTForwardLength(5)
// .tBPTTBackwardLength(5)
.build()
val nn = MultiLayerNetwork(conf)
nn.init()
【другая информация】 минибат = 32 эпохи = 10