Question

我正在使用Python编写的反向传播神经网络here。它与提供的简单XOR示例相得益彰。

但是，我想用它做一些更复杂的事情：试图预测股票价格。我知道神经网络不一定是最好的选择，可能根本就不准确，但我仍然想尝试。

我的第一次尝试是获得指定股票（例如，GOOG）过去10天的收盘价。然后我希望用这些数据训练神经网络然后预测第二天的收盘价，但后来我意识到：我只有1个输入值，并且在尝试获得预测时没有任何输入。这是我所有困惑的根源，即输入/隐藏/输出节点的数量。

在论文here中，他们提到使用过去d天内股票的最低，最高和平均值作为输入。这是3个输入（如果算上d则为4？），但为了预测第二天的价格，您将无法提供任何此类输入（除非d？）。

在使用神经网络进行训练和预测时，您如何解释输入数量的这种变化？我错过了NN的一些基本部分以及如何使用它们？谢谢！

Answer 1

@ anana的评论帮助我点击神经网络应该如何工作。正如她所说，我可以提供最后一天（在我的情况下，5天）中股票的平均值作为尝试获得预测的输入。

这意味着我的培训输入格式为：

过去五天

[[rollingAverage, rollingMinimum, rollingMaximum], normalizedClosePrice]（因此滚动窗口共分析了9天）。

当我想在训练后得到预测时，我提供的格式为输入节点：

[rollingAverage, rollingMinimum, rollingMaximum]最近5天。

以下是所有相关逻辑，结合我在原始问题中链接的神经网络：

## ================================================================

def normalizePrice(price, minimum, maximum):
    return ((2*price - (maximum + minimum)) / (maximum - minimum))

def denormalizePrice(price, minimum, maximum):
    return (((price*(maximum-minimum))/2) + (maximum + minimum))/2

## ================================================================

def rollingWindow(seq, windowSize):
    it = iter(seq)
    win = [it.next() for cnt in xrange(windowSize)] # First window
    yield win
    for e in it: # Subsequent windows
        win[:-1] = win[1:]
        win[-1] = e
        yield win

def getMovingAverage(values, windowSize):
    movingAverages = []

    for w in rollingWindow(values, windowSize):
        movingAverages.append(sum(w)/len(w))

    return movingAverages

def getMinimums(values, windowSize):
    minimums = []

    for w in rollingWindow(values, windowSize):
        minimums.append(min(w))

    return minimums

def getMaximums(values, windowSize):
    maximums = []

    for w in rollingWindow(values, windowSize):
        maximums.append(max(w))

    return maximums

## ================================================================

def getTimeSeriesValues(values, window):
    movingAverages = getMovingAverage(values, window)
    minimums = getMinimums(values, window)
    maximums = getMaximums(values, window)

    returnData = []

    # build items of the form [[average, minimum, maximum], normalized price]
    for i in range(0, len(movingAverages)):
        inputNode = [movingAverages[i], minimums[i], maximums[i]]
        price = normalizePrice(values[len(movingAverages) - (i + 1)], minimums[i], maximums[i])
        outputNode = [price]
        tempItem = [inputNode, outputNode]
        returnData.append(tempItem)

    return returnData

## ================================================================

def getHistoricalData(stockSymbol):
    historicalPrices = []

    # login to API
    urllib2.urlopen("http://api.kibot.com/?action=login&user=guest&password=guest")

    # get 14 days of data from API (business days only, could be < 10)
    url = "http://api.kibot.com/?action=history&symbol=" + stockSymbol + "&interval=daily&period=14&unadjusted=1&regularsession=1"
    apiData = urllib2.urlopen(url).read().split("\n")
    for line in apiData:
        if(len(line) > 0):
            tempLine = line.split(',')
            price = float(tempLine[1])
            historicalPrices.append(price)

    return historicalPrices

## ================================================================

def getTrainingData(stockSymbol):
    historicalData = getHistoricalData(stockSymbol)

    # reverse it so we're using the most recent data first, ensure we only have 9 data points
    historicalData.reverse()
    del historicalData[9:]

    # get five 5-day moving averages, 5-day lows, and 5-day highs, associated with the closing price
    trainingData = getTimeSeriesValues(historicalData, 5)

    return trainingData

Answer 2

受监督的机器学习器是一种算法，它采用一系列与特征（一组数字，输入）和结果（输出）一致的情况。

您需要的是训练数据集，例如，您知道输出的几个月的时间序列。一旦您的网络经过培训，您就可以获取最近几天的股票价值（已知，因为它已经发生），以便预测明天会发生什么，所以您知道要买什么。

最后，d不是输入，是常量。输入/输出的数量是独立的（只要你有足够的输入功能）。从理论上讲，拥有更多功能可以提高预测的准确性，但需要更长的处理时间，需要更大的训练集，并且可能容易过度拟合。

Answer 3

使用滚动平均值可以消除大量信息。还有一些其他方法可以将时间序列数据呈现给NN，例如滑动窗户的方法。

假设您使用3天的数据作为输入，以便预测第4天。您可以改为将每个输出节点呈现给输入节点，而不是平均前3天。在您的数据的前半部分滚动此3天窗口以训练您的模型。要进行测试，请在您希望预测的当天之前提供3天的价格。 E.g。

培训套装

[[day 1 price, day 2 price, day 3 price], day 4 price]
[[day 2 price, day 3 price, day 4 price], day 5 price]
[[day 3 price, day 4 price, day 5 price], day 6 price]
[[day 4 price, day 5 price, day 6 price], day 7 price]

<强>测试

[day 5 price, day 6 price, day 7 price]

Python神经网络和股票价格：输入用什么？

3 个答案: