การพยากรณ์ตลาดแลกเปลี่ยนเงินตราต่างประเทศด้วยโครงข่ายประสาทเทียม

ฉันต้องการใช้ ANN เพื่อทำการซื้อขายสกุลเงินอัตโนมัติโดยเฉพาะอย่างยิ่ง USD / EUR หรือ USD / GBP ฉันรู้ว่ามันยากและอาจไม่ตรงไปตรงมา ฉันได้อ่านรายงานและทำการทดลอง แต่ไม่มีโชคมาก ฉันต้องการรับคำแนะนำจากผู้เชี่ยวชาญเพื่อให้งานนี้สำเร็จ

นี่คือสิ่งที่ฉันทำจนถึง:

1. ฉันได้รับข้อมูลโดยการทำเครื่องหมายสำหรับเดือนกรกฎาคม 2013 มันมีการเสนอราคา / ถาม / ปริมาณการเสนอราคา / ปริมาณถาม
2. แยกเครื่องหมายถูกทั้งหมดสำหรับกรอบเวลา 12PM ถึง 14PM สำหรับทุกวัน
3. จากข้อมูลนี้สร้างชุดข้อมูลที่แต่ละรายการประกอบด้วยค่าการเสนอราคา n เรียงตามลำดับ
4. ใช้ข้อมูลนั้นเพื่อฝึกอบรม ANN ด้วยอินพุต n-1 และเอาต์พุตเป็นค่าการเสนอราคา nth ที่คาดการณ์
5. ANN มีเซลล์ประสาทอินพุต n-1, (n-1) * 2 + 1 ที่ซ่อนอยู่และ 1 เซลล์ประสาทเอาท์พุท เลเยอร์อินพุตมี TF เชิงเส้นซ่อนเร็กคอร์ด TF และเอาต์พุตมี Linear TF
6. ฝึกอบรมเครือข่ายด้วยการขยายพันธุ์ด้านหลังด้วย n-125 ก่อนแล้วจึง 10

สำหรับทั้ง n, MSE ไม่ได้ลดลงต่ำกว่า 0.5 และอยู่ที่ค่านั้นในระหว่างการฝึกอบรมเต็มรูปแบบ สมมติว่าอาจเป็นเพราะอนุกรมเวลาเป็นแบบสุ่มทั้งหมดฉันใช้แพ็กเกจ R เพื่อค้นหาความสัมพันธ์อัตโนมัติบางส่วนในชุดข้อมูล (pacf) สิ่งนี้ให้ค่าที่ไม่ใช่ศูนย์สำหรับ 2 และ 3 ล่าช้าเท่านั้น

คำถามที่ 1: สิ่งนี้หมายความว่าอย่างไร

จากนั้นฉันก็ใช้เลขชี้กำลังเฮอร์สเพื่อประเมินการสุ่ม ใน R hurst (ค่า) แสดงค่าที่สูงกว่า 0.9

คำถามที่ 2: มันควรจะเป็นแบบสุ่ม ควรมีค่าใกล้เคียงกับ 0.5 หรือไม่?

ฉันทำการฝึกอบรม ANN ซ้ำ ๆ ด้วย n = 3 ANN ได้รับการฝึกฝนและสามารถรับค่า MSE ที่ค่อนข้างต่ำ อย่างไรก็ตามผลผลิตที่คำนวณได้จาก ANN นี้จะไม่แตกต่างจากมูลค่าการเสนอราคา (n-1) th ดูเหมือนว่า ANN จะใช้การเสนอราคาครั้งสุดท้ายเป็นการประมูลครั้งต่อไป! ฉันลองโครงสร้างเครือข่ายที่แตกต่างกัน (การรับรู้แบบหลายเลเยอร์) พารามิเตอร์การฝึกอบรมที่แตกต่างกัน ฯลฯ แต่ผลลัพธ์เหมือนกัน

คำถามที่ 3: ฉันจะปรับปรุงความแม่นยำได้อย่างไร มีวิธีการฝึกอบรมอื่น ๆ นอกเหนือจาก backpropagation หรือไม่?

ผลลัพธ์ที่คุณเห็นไม่ได้เป็นผลพลอยได้จากผลิตภัณฑ์การฝึกอบรมของคุณ แต่นั่นneural netsไม่ใช่ทางเลือกที่ยอดเยี่ยมสำหรับงานนี้ Neural netsเป็นวิธีที่มีประสิทธิภาพในการสร้างฟังก์ชั่นที่ไม่ใช่เชิงเส้นลำดับสูงโดยการเขียนฟังก์ชั่นที่ง่ายขึ้นจำนวนหนึ่ง สิ่งนี้มักจะเป็นสิ่งที่ดีจริง ๆ เพราะมันช่วยให้อวนประสาทเทียมมีลวดลายที่ซับซ้อนมาก

อย่างไรก็ตามในการแลกเปลี่ยนรูปแบบที่ซับซ้อนใด ๆ เมื่อมีการซื้อขายเมื่อสลายตัวได้อย่างรวดเร็ว การตรวจจับลวดลายที่ซับซ้อนโดยทั่วไปจะไม่สร้างผลลัพธ์ที่เป็นประโยชน์เพราะโดยทั่วไปแล้วจะเป็นรูปแบบที่ซับซ้อนในระยะสั้น นอกจากนี้ขึ้นอยู่กับตัวชี้วัดที่คุณเลือกมีหลายวิธีที่จะทำงานได้ดีซึ่งจริง ๆ แล้วจะไม่จ่ายในการลงทุน (เช่นการคาดการณ์มูลค่าสุดท้ายในตัวอย่างของคุณ)

นอกจากนี้ตลาดหุ้นยังมีความวุ่นวายอย่างมากซึ่งอาจส่งผลให้เกิดการneural netล้นตลาด ซึ่งหมายความว่ารูปแบบที่เรียนรู้จะสรุปได้ไม่ดี บางสิ่งบางอย่างตามเส้นของเพียงแค่เห็นการลดลงของหุ้นในช่วงวันและตัดสินใจอย่างสม่ำเสมอว่าหุ้นจะลดลงเพียงเพราะมันเห็นในระยะสั้น แทนที่จะใช้เทคนิคเช่นridgeและrobust regressionซึ่งจะระบุรูปแบบทั่วไปที่ซับซ้อนน้อยกว่าให้ทำดีกว่า

ผู้ชนะของการแข่งขัน Kaggle ที่คล้ายกันใช้robust regressionเหตุผลนี้ คุณมีแนวโน้มที่จะเห็นผลลัพธ์ที่ดีกว่าหากคุณเปลี่ยนไปใช้รูปแบบการเรียนรู้แบบตื้นที่จะพบฟังก์ชันของลำดับพหุนามต่ำกว่าฟังก์ชันที่ซับซ้อนลึกของตาข่ายประสาท

ลองใช้เครือข่ายประสาทกำเริบซึ่งเป็นแบบจำลองที่เหมาะสมสำหรับข้อมูลอนุกรมเวลา พวกมันยากที่จะฝึกฝน แต่ดูเหมือนว่าจะทำงานได้ดีเมื่อฝึกอย่างถูกต้อง: http://cs229.stanford.edu/proj2012/BernalFokPidaparthi-FinancialMarketTimeSeriesPredictionwithRecurrentNeural.pdf