|
|
楼主 |
发表于 2016-10-22 07:06 PM
|
显示全部楼层
Hutong9999 发表于 2016-10-22 05:23 PM 
弱问题，看懂这个文章就懂你前面讲的算法原理？
我前面没怎么看懂。。。准备先学些基础。。。
卷积神经网络（Convolutional Neural Network, CNN）中的许多概念很好，建立炒股模型时可以借鉴， 比如：
1） 从对象上：CNN常用于图像识别、语音识别。在建立炒股模型时，只不过把对象改成股票赚钱PATTERN的识别。
2） 复杂度上：用于图像识别、语音识别的网络，可能包含几十个神经层，炒股的网络只需要三层或四层，所以简单。比如，炒股模型回测利润百分比函数依赖RMS逾值（threshold）, 然后，RMS逾值又依赖股票价格的水平（price level),包括current day Average, Monthly average, and backtesting average, 并且，前者影响后者，并且包含有时间多尺度。每个因素就是一个NODE，处在神经网络的一层（single layer），或多层上（multilayer）。它们之间的依赖关系，就是连接(link)或反馈(feedback)。
3） 卷积层（convolution layer） 对应390分钟股票价格，
池化层（pooling layer）对应Poincare映射，
全连接层（fully connected layer）对应参数空间。
4） 卷积操作具有平移不变性，也就是说，对于任何一天的股票，如果它有一个赚钱PATTERN出现，不管它出现在12点，1点或其它时间，都会经过平移操作后，被正确的扑捉到。 当然，太早或太迟除外，因为有开盘和收盘等其它因素制约。
5） 图3. 最大池化层。从特定区域中，选取最大值作为输出值。炒股模型最后结果一定是每一步最佳，得到总体最佳。
6） 卷积神经网络中的损失函数，在训练阶段，用于评估网络输出结果与实际值的差异。然后用损失函数的值更新每个神经元之间的权重值。卷积神经网络的训练目的就是最小化损失函数值。
7） DAG转换主要是将卷积神经网络转换为有向非循环网络（directed acyclic graph）。
8） 过拟合现象：看到胡同里有些高手说他们的炒股模型回测正确率达到百分之七八十，这些太神的模型可能处在“过拟合”状态。 拟合过好，预测会变差。
9) 很多机器学习算法都有与卷积神经网络相似的特点。炒股模型的回测也就是这么回事。
|
|
狗仔卡
发表于 2016-10-19 12:55 AM
