本专题是基于《Machine Learning for Algorithmic Trading》(Second Edition)对RNN交易中的代码使用A股数据进行复现。
RNN 交易:多元时间序列和文本数据
RNN 的主要创新是每个输出都是先前输出和新数据的函数。所以RNN 能够将先前观察的信息合并到它对新的特征向量执行的计算中,从而有效地创建具有记忆(memory)的模型。这种循环公式包括在循环的更深的计算过程中共享参数。可选择的架构包括长短期记忆 (LSTM) 和门控循环单元 (GRU),旨在克服与长期依赖问题(long-range dependencies)有关的梯度消散或梯度爆炸的挑战。
RNN特别适用于自然语言并已成功应用于需要将一个或多个输入序列映射到一个或多个输出序列的各种任务。RNN 还可以应用于单变量和多变量的时间序列以预测市场或基本数据。本章介绍了 RNN 如何使用我们在第16章中介绍的词嵌入(word embedding)对另类文本数据进行建模,以对文档中表达的情感进行分类。
一. 本节代码的主要内容
1. [循环神经网络的工作原理]
* [通过时间反向传播]
* [替代RNN架构]
- [长短期记忆]
- [门控循环单元]
2. [使用 TensorFlow 2 的金融时间序列的 RNN]
* [代码示例:单变量时间序列回归:预测标准普尔 500]
* [