@Rachnog20 апр 2017 в 14:57

Прогнозирование финансовых временных рядов с MLP в Keras

10 мин

83K

Алгоритмы * Математика * Машинное обучение *

Из песочницы

+12

Комментарии 17

@fivehouse 20 апр 2017 в 15:26

Надо не забывать про оверфиттинг, который виден у вас на графиках обучения. Да и в исходных данных для нейросети может не быть требуемых для принятия правильных решений данных. Ну и в общем garbage-in-garbage-out.

@kxx 20 апр 2017 в 17:52

А вы с ARIMA, например, не пробовали сравнивать на этих же данных?

@Rachnog 21 апр 2017 в 15:02

Например, вот такое можно по-быстрому получить на returns (обучил только на последних 500 значениях, ARIMA(5,1,0)). Синий ряд — оригинал, зеленый — прогноз.

@SADKO 20 апр 2017 в 19:29

О времена, о нравы…
… это-ли базовый пайплайн, помниться именно так вчерашние дикари с товарно сырьевой осваивали нейропакеты, в том числе тупо кормили их свечками :-)
А сегодня на хабре об этом-же вещает прикладной математик их Вероны :-)

PS. Ну я то всё понимаю, очередной «семинарист», зазывает Буратин, но ИМХО такая байда больше на форекс форумах пойдёт, ибо даже на смартлабе за такое тапками закидают…

@Rachnog 21 апр 2017 в 10:03

А разве этот пайплан для прогнозирования временных рядов не подходит?
То, что мы не предсказываем рынок идеально было очевидно изначально, но вот для работы с многими другими данными от электрокардиограмм до показателей производства электроэнергии работает отлично (замените MLP на сверточные сети, добавьте переменных и гиперпараметры затюньте)

@SADKO 21 апр 2017 в 14:35

Речь шла о котировках, но и в более широком смысле такой пайплайн путь в никуда, ибо нечто принципиально важное упускается из вида…

@KiloLeo 20 апр 2017 в 20:21

Все поделки с предсказанием рынка за один выходной заканчиваются именно так. Предсказание рынков — работа, требующая постоянных многолетних усилий команд профессионалов. Которые сражаются на рынке против таких же профи. И цена поражения — большие $$$. После чего недопрофессионал вылетает с рынка и оставшиеся на нём становятся ещё сильнее.
Но за пример спасибо, всё равно интересно.

@Rachnog 21 апр 2017 в 10:07

Абсолютно согласен, это лишь эксперимент на самых простейших данных, о зарабатывании денег с конкретно этим кодом речи и быть не может :)

@XciloG 21 апр 2017 в 13:07

А, что вы думаете о применении Hierarchical temporal memory (HTM), для таких задач?

@Rachnog 21 апр 2017 в 13:15

Я думаю, что будет работать схоже с сверточными нейронными сетями. Вообще если говорить в контексте трейдинга/предсказания рынка более важны входные данные (одним временным рядом не обойдемся никак), если в контексте прогнозирования временных рядов — с перодичными, стационарными, с четко выраженными паттернами лучше справляются CNNs, с менее однородными стоит пробовать разные рекуррентные сети, иногда надо извлекать признаки Фурье-преобразованиями/вейвлетами и так далее. Сильно зависит от данных и постановки задачи.

@V_Maksim 21 апр 2017 в 13:07

Как пример работы сетей, — интересно. Как практический результат анализа — бесполезно.
Рынок управляется не математикой, и а событиями. Предсказывать надо события, которые не учтены, т.к. учтены результаты, а не причины динамики курса.

@KiloLeo 21 апр 2017 в 21:13

Ничего не управляется математикой. Наступление зимы и лета тоже управляется событиями, а не математикой. Это не значит, что математика не может помочь рассчитать наступление зимы :-)

@V_Maksim 21 апр 2017 в 21:35

Не сможет :)
Точнее сможет, т.к. это закономерное циклические событие, но конкретную дату наступления зимы, никогда. Так же, как и погоду, иначе её давно бы уже рассчитывали математики, а не метеорологи.