CNNS for Financial Time Series and Satellite Images 07

最新推荐文章于 2024-05-18 12:43:38 发布

王春晖hitwh

最新推荐文章于 2024-05-18 12:43:38 发布

阅读量188

点赞数

本文链接：https://blog.csdn.net/m0_50930845/article/details/118681814

版权

本文档介绍了如何使用卷积神经网络（CNN）对金融时间序列数据进行预测。作者构建了一个包含两个卷积层的CNN模型，通过最大池化层和丢弃层来缓解过拟合。模型训练涉及特征缩放和数据格式调整。评估阶段，通过信息系数计算验证集的预测准确性。整个过程遵循深度学习在交易中的最佳实践，利用检查点保存最优权重。

摘要由CSDN通过智能技术生成

本系列文章为《Machine Learning for Algorithmic Trading》第十八章 CNNS for Financial Time Series and Satellite Images 中代码复现。

07 用于交易的 CNN - 第 3 部分：训练和评估 CNN
Imports
在这里插入图片描述
加载模型数据

卷积神经网络

我们创建了一个 CNN，该 CNN 具有 2 个卷积层，内核大小分别为 3 和 16 和 32 个滤波器，然后是大小为2的最大池化层。我们将最后一叠过滤器的输出展平，并将产生的 1,568 个输出连接到大小为 32 的密集层，对传入和传出连接应用 25% 和 50% 的丢失概率以减轻过拟合。

模型构架
在这里插入图片描述
训练模型

我们将特征缩放到范围 [-1, 1] 并再次使用 NumPy 的 reshape() 方法来创建必要的格式

训练和验证遵循第 17 章“交易的深度学习”中列出的过程，依靠检查点在每个 epoch 之后存储权重，并为性能最佳的迭代生成预测，而无需进行再训练。
在这里插入图片描述
评估结果

作出预测
为了评估模型的预测准确性，我们计算验证集的每日信息系数 (IC)，如下所示：