Dự báo ngoại hối với mạng lưới thần kinh - Dự đoán chậm trễ


7

Tôi có một câu hỏi liên quan đến việc sử dụng mạng lưới thần kinh. Tôi hiện đang làm việc với R ( gói neuralnet ) và tôi đang đối mặt với vấn đề sau. Bộ kiểm tra và xác nhận của tôi luôn bị trễ đối với dữ liệu lịch sử. Có cách nào để sửa kết quả không? Có lẽ có gì đó không ổn trong phân tích của tôi

  1. Tôi sử dụng trả lại nhật ký hàng ngày r (t) = ln (s (t) / s (t-1))
  2. Tôi bình thường hóa dữ liệu của mình với hàm sigmoid (sigma và mu được tính trên toàn bộ)
  3. Tôi huấn luyện các mạng thần kinh của mình với 10 ngày và đầu ra là giá trị chuẩn hóa theo sau 10 ngày này.

Tôi đã cố gắng để thêm xu hướng nhưng không có cải thiện, tôi quan sát trễ 1-2 ngày. Quá trình của tôi có vẻ ổn, bạn nghĩ gì về nó?

Câu trả lời:


2

Một vài cách để cải thiện thiết kế của bạn:

  1. Xem xét một chuẩn hóa khác nhau: Hàm sigmoid sẽ làm giảm các bước di chuyển lớn. Có khả năng chính xác những chuyển động phi tuyến tính lớn này đã thu hút bạn sử dụng mạng thần kinh ngay từ đầu. Tại sao phải loại bỏ chúng? Một whiteningdữ liệu đơn giản có thể tốt hơn
  2. Như Nima đã chỉ ra, mô hình của bạn chỉ có thể dự đoán những gì có thể biết được từ dữ liệu bạn cung cấp. Nếu bạn chỉ phù hợp với dữ liệu sử dụng giá lịch sử, nó sẽ chỉ cung cấp cho bạn những gì có thể dự đoán được từ họ. Những thứ như sự kiện tin tức / thu nhập bất ngờ / ngày lễ / luồng thị trường tùy chọn sẽ không được đưa vào mô hình của bạn. Xem xét thêm các loạt này là tốt.
  3. Nhiều dữ liệu lịch sử hơn. Các mạng thần kinh thường yêu cầu kích thước mẫu rất lớn vì chúng đang cố ước tính một không gian tham số rất lớn. Mặc dù, nhiều dữ liệu không phải lúc nào cũng bao hàm nhiều thông tin hơn, nhưng điều này vẫn có thể giúp ích.
  4. Thử nghiệm với các kiến ​​trúc mạng khác nhau. Số lượng lớp / kích thước của các lớp / thuật toán độ dốc khác nhau / chức năng kích hoạt khác nhau / bỏ học, v.v.

0

Rất có thể sẽ rất khó để đưa ra bất kỳ kết luận nào nếu bạn đang đào tạo chỉ với 10 mẫu đầu vào. Với nhiều dữ liệu hơn, chẩn đoán của bạn rằng mô hình dự đoán các giá trị bị trễ sẽ có nhiều tính hợp lý hơn. Khi nó đứng, có vẻ như rất có thể mô hình của bạn chỉ nói rằng giá trị quan sát cuối cùng là khá gần với chính xác. Đây không giống như một mô hình độ trễ thực sự, nhưng đó là một điều rất hợp lý để đoán nếu bạn chưa thấy đủ dữ liệu.


0

tôi đã thấy nhiều bài viết về cơ bản là những gì bạn vừa mô tả. không có gì sai với những gì bạn đang làm, nhưng có những hạn chế nghiêm trọng trong cách điều này có thể dự đoán thị trường. hãy để tôi cho bạn một ví dụ: giả sử rằng bạn có một số dữ liệu và bạn bắt đầu dự đoán. với mỗi bộ dữ liệu, bạn dự đoán điểm dữ liệu tiếp theo. và sau đó bạn đưa dữ liệu này trở lại hệ thống làm đầu vào và thực hiện điều này trên và trên .... trong hầu hết các lần hệ thống sẽ tiếp tục xu hướng cuối cùng và thời gian sẽ không bị phá vỡ. Đây không phải là dự đoán, đây là sự tiếp tục dòng ... chỉ khi hệ thống thấy sự cố trong dữ liệu thực, thì dự đoán sẽ bị phá vỡ và đây là độ trễ mà bạn đang nói đến (nếu tôi hiểu đúng câu hỏi của bạn). Điều đầu tiên mà bạn có thể làm để tăng cường điều này là trích xuất một số chỉ số thị trường từ giá cả. điều này thực sự có ích


Tôi nghĩ rằng câu trả lời này có một hạt nhân có giá trị nhưng có lẽ có thể được hưởng lợi từ một ví dụ cụ thể hơn và một số chỉnh sửa.
Sean Owen
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.