Глубокая нейронная сеть, или мы можем назвать ее Deep Learning, сейчас становится популярной. Перед глубокой нейронной сетью мы понимаем существование машинного обучения. А до этого и глубокое обучение, и машинное обучение ведут к искусственному интеллекту. История говорит нам, что область исследований искусственного интеллекта зародилась в начале 1950-х годов, примерно через двадцать лет, примерно в 1980-х годах, исследователь представил область исследований машинного обучения, а затем, примерно в 2010-х годах, глубокое обучение начало распространяться по всему миру. области исследований и промышленности. Многие области исследований могут быть посвящены теме этого феномена. По моему скромному мнению, почти каждая область исследований может быть связана с технологией искусственного интеллекта. Экономика, биология, медицина, зрение, сельское хозяйство и многие другие области могут внедрять пакет искусственного интеллекта внутри. Мы можем взять пример для такой простой вещи, как прогнозирование погоды, создать искусственного робота, который может сам научиться прогнозировать рак в человеческой клетке, распознавать моду или прогнозировать стоимость фондового рынка.

В этой части мы больше обсудим искусственный интеллект и фондовый рынок. Поскольку мы знаем, что можем делать что-то помимо предсказания или прогнозирования, мы также можем построить систему, которая обучается сама по себе, и эта система также имеет систему принятия решений для принятия мер. Если вы помните, одна из британских компаний по искусственному интеллекту DeepMind, приобретенная Google в 2014 году, успешно привлекла внимание исследователей своей исследовательской публикацией. AlphaGo, которая победила в чемпионате мира по игре GO, затем у них также есть AlphaZero, которая сосредоточилась на игре в шахматы и на успехе, чтобы победить предыдущего доминирующего робота. А другая публикация посвящена WaveNet, искусственному, способному обучаться и создавать собственную речь. Из этих примеров многие исследователи также пытаются применить ту же идею к другой теме, в данном случае мы говорили о фондовом рынке. Многие идеи об использовании метода AlphaGo для создания искусственного робота, который может торговать на фондовом рынке, с основной целью получения высокой прибыли с выполнением некоторого технического анализа, такого как сроки инвестирования, торговые стратегии и инвестиционный портфель в некоторых технических индексах, таких как скользящее среднее, случайное индексы ходьбы и сходимость-расхождение скользящих средних. Другая идея заключается в использовании DeepMind WaveNet. Некоторые исследователи считают, что движущиеся тенденции фондового рынка могут иметь некоторое сходство с длиной волны звука. Используя WaveNet, они пытались изучить мотивы движения акций в формате длины волны, а затем попытались спрогнозировать следующее значение tn. . Конечно, не только используя один метод из идеи DeepMind, некоторые исследователи также комбинируют его с другим алгоритмом.

В последнее время Residual Network, или мы можем назвать ее ResNet, также уделяет некоторое внимание исследованиям с их методом быстрого доступа, они считают, что более глубокая нейронная сеть с блоком быстрого доступа поможет достичь высокой точности прогнозирования. А пока я пытаюсь реализовать эту идею для прогнозирования движения фондового рынка с помощью остаточной сети. Источник набора данных из топового ETF на Тайване использует Yahoo Finance API. Используя последовательные данные, разделите их на данные обучения и данные тестирования. Данные обучения с использованием диапазона времени с 2000 по 2016 год и данные тестирования за 2017 год. С использованием метода скользящих окон для создания набора данных и использования индикатора вверх и вниз для движения фондового рынка. 1 для движения вверх и 0 для движения вниз. Для сравнения с ситуационным случаем я использую 5, 10, 20 торговых дней, что может быть репрезентативно как неделя и месяц. Мы не можем напрямую вводить данные в остаточную сеть keras, потому что этот алгоритм предназначен для двухмерных данных, а наши данные фондового рынка являются одномерными. Чтобы создать реснет одного измерения, нам нужно снова переписать. В этом случае я создал ResNet 212, чтобы получить более глубокий уровень. Помимо значения OHLCV (открытый, высокий, низкий, закрытый объем), я также добавляю дополнительные функции из технического анализа, чтобы получить больше закономерностей в нашем наборе данных. В наши функции добавлены скользящие средние и индексы случайного блуждания. Выполнение эксперимента с использованием бэкэнда Tensorflow с поддержкой GPU в 100 эпохах может быть завершено менее чем за 20 минут (это будет зависеть от вашего ядра CUDA GPU). Прогнозирование в бинарной классификации имеет некоторые преимущества. Некоторые предыдущие эксперименты привели к тому, что больше классов будет сложнее получить высокую точность. Результат весьма удивителен, поскольку может достигать точности выше 60%, что, по словам одного исследователя, при прогнозировании временных рядов нелегко превысить 60% с подтвержденным результатом. Это означает, что мы не можем не верить результату на 99%, нам также необходимо проверить его на реальной ситуации.

Короткий рассказ для доклада на семинаре в Университете Юань Цзе.