1. 首页
  2. 金融百科

蔚来股票价格_利用深度学习来预测股票价格变动(长文

利用深度学习来预测股票价格变动(长文,建议收藏)

完整架构概述在这篇文章中,我将创建一个预测股票价格变动的完整过程。我们将使用生成对抗网络(GAN)与LstM(一种循环神经网络)作为生成器,我们使用LSTM的原因很明显,我们正在尝试预测时间序列数据。为什么我们使用GAN,这是一个很好的问题:稍后会有特别的部分。当然,我们将详细介绍每个步骤,但最困难的部分是GAN:成功训练GAN的非常棘手的部分是获得正确的超参数集。出于这个原因,我们将使用贝叶斯优化(还有高斯过程)和深度强化学习(DRL)来决定何时以及如何改变GAN的超参数。在创建强化学习时,我将使用该领域的最新进展,例如Rainbow和PPO。我们将使用许多不同类型的输入数据。除了股票的历史交易数据和技术指标,我们将使用NLP的最新进展(使用“BERT,用于提取整体趋势方向的傅里叶变换,用于识别其他高级特征的栈式自动编码器,

利用深度学习来预测股票价格变动(长文,建议收藏)

并决定是否使用它。我们将使用BERT-谷歌最近公布的NLP方法,用于情感分类股票新闻情绪提取的迁移学习。傅里叶变换-除了每日收盘价,我们还将创建傅里叶变换,以概括多个长期和短期趋势。使用这些变换,我们将消除大量噪声(随机游走)并创建真实股票移动的近似值。趋势近似可以帮助LSTM网络更准确地选择其预测趋势。自回归整合移动平均线(ARIMA)-这是预测时间序列数据未来值的最流行的技术之一(在pre-neural网络时代)。让我们添加它,看看它是否是一个重要的预测特征。栈式自动编码器-上述大部分特征(基础分析、技术分析等)都是人们经过几十年的研究发现的。也许有一些隐藏的相关性,人们无法理解,因为有大量的数据点、事件、资产、图表等。通过栈式自动编码器(神经网络的类型),我们可以利用计算机的力量,可能会发现影响股票走势的新类型的特征。

利用深度学习来预测股票价格变动(长文,建议收藏)

训练GAN的步骤如下:使用随机数据(噪声表示为z),Generator试图“生成”与真实数据无法区分或非常接近的数据。它的目的是学习真实数据的分布。将随机、真实或生成的数据拟合到Discriminator中,Discriminator作为分类器,然后,G和D的损失被组合并通过Generator传播回来。因此,Generator的损失取决于Generator和Discriminator。如果Generator在生成真实数据(具有相同分布)方面做得不好,则Discriminator的工作将很容易区分生成与实际数据集。因此,Discriminator的损失将非常小。小的Discriminator损失将导致更大的Generator损耗(参见下面的等式L(D,G))。这使得创建Discriminator有点棘手,

利用深度学习来预测股票价格变动(长文,建议收藏)

作为人工智能和深度学习的其他一切,这是艺术和需要实验。2。8。2、为了解释80%的方差我们需要84个(112个)特征。这仍然是一个很大的问题。因此,目前我们不包括自动编码器创建的特征。我将致力于创建autoencoder架构,在该架构中,我们从中间层(而不是最后一层)获得输出,并使用30个神经元将其连接到另一个Dense层。因此,我们将1)只提取更高级别的特征,2)提供更少的列数。3。生成性对抗网络(GAN)GAN的体系结构GAN如何运作?如前所述,而是展示其应用。当然,在我看来,彻底和非常坚实的理解从基础到最小的细节,是极其必要的。因此,我们将尝试平衡并给出一个关于GAN如何工作的高级概述,以便读者充分理解使用GAN预测股价走势背后的原理。GAN网络由两个模型组成-Generator(G)和Discriminator(D)。

利用深度学习来预测股票价格变动(长文,建议收藏)

为此,我们将使用2010年1月1日至2018年12月31日的每日收盘价(七年数据用于训练,两年数据用于验证)。我们将交替使用“高盛”和“GS”这两个术语。2。数据我们需要尽可能多地合并信息(从不同方面和角度描绘股票)。我们将使用每日数据,1585天来训练各种算法(我们有70%的数据)并预测接下来的680天(测试数据),然后我们将把预测结果与测试数据进行比较。每种类型的数据(我们将其称为特征)将在后面的章节中进行更详细的解释,但是,作为一个高层次的概述,我们将使用的特征是:相关资产-这些是其他资产(任何类型,不一定是股票,如商品,外汇,指数,甚至固定收益证券)。像高盛这样的大公司显然不会“生活”在一个孤立的世界中-它依赖于许多外部因素,并与之相互作用,包括竞争对手,客户,全球经济,地缘政治形势,

本文来自投稿,不代表本人立场,如若转载,请注明出处:http://www.admiralmarkets.net.cn/jrbk/140726.html