От градиентного бустинга к нейронным сетям
В последние время причесал некоторые блоки своей программки по управлению портфелем. Из последнего добавил в качестве фичи оборот и получил известную зависимость, что малоликвидные бумаги в среднем имеют большую доходность (по горизонтали натуральный логарифм дневного оборота, по вертикали ожидаемая доходность).
По большому счету дальше можно лишь потихоньку расширять перечень анализируемых бумаг и добавлять новые признаки, объясняющие доходность, но придумывать в рукопашную новые фичи не хочется, поэтом попробую переписать все на нейронных сетях и сырых котировках без всякой обработки.
В основном раньше имел дело с TF/Keras, но по ощущениям в последнее время подавляющая часть статей по сетям сопровождается кодом на PyTorch, поэтому решил изучить его и использовать в своей программе. В качестве обучения собираюсь принять участие в соревновании Кто поставит лайк без использования градиентного бустинга только с помощью PyTorch. Ну о потом приступить уже к использованию сеточек для прогнозирования доходности.
Благодарить не надо.
cnews.ru/news/top/2019-07-10_uchenye_sozdali_steklo_kotoroe_mozhet_raspoznavat
Это градиентный бустинг может работать с любыми данными, я для нейронной сети их нужно как минимум к одной размерности привести.
И кстати плохая затея искать черную кошку в темной комнате, особенно если ее там нет.
сырые котировки хаотичны, нечему сеть обучать.
Попробуйте использовать какой-нибудь LSTM для прогнозирования цены и получите скользящую среднюю со всеми ее достоинствами и недостатками.
Igoron,
«Фичи придумывать все равно приодеться, иначе что вы подадите на вход своей сети?»
Просто временной ряд котировок, дивидендов и объемов торгов для начала.
«Это градиентный бустинг может работать с любыми данными, я для нейронной сети их нужно как минимум к одной размерности привести.»
Не очень понят, почему — нейронка может иметь много входов, каждый вход свою размерность. Кучу примеров есть, как это делается на практике.
“И кстати плохая затея искать черную кошку в темной комнате, особенно если ее там нет.
сырые котировки хаотичны, нечему сеть обучать.”
Люди как-то торгуют и фичи придумывают, почему нейронка их не может “придумать” не понятно.
“Попробуйте использовать какой-нибудь LSTM для прогнозирования цены и получите скользящую среднюю со всеми ее достоинствами и недостатками.”
Я если честно не собирался использовать LSTM. По моим ощущениям, в какой-то момент она использовалась активно, но в последнее время ее практически не видно в ресечах — все больше сети внимания и сверхточные сети, в том числе при анализе временных рядов.
Может и не получится — я это буду делать в порядке эксперимента.