Введение в прогнозирование временных рядов с помощью torch

Этот пост представляет собой введение в прогнозирование временных рядов с помощью torch. Центральными темами являются ввод данных и практическое использование RNN (GRU/LSTM). Следующие публикации будут основаны на этой и представят все более сложные архитектуры.

Это первая публикация из серии, посвященной прогнозированию временных рядов с помощью torch. Она требует некоторого предыдущего опыта работы с Torch и/или глубоким обучением. Но что касается временных рядов, то они рассматриваются с самого начала, используя рекуррентные нейронные сети (GRU или LSTM), чтобы предсказать, как что-то будет развиваться во времени.

Прогнозирование временных рядов в R с помощью lstm

Оказывается, глубокое обучение со всей его мощью также можно использовать для прогнозирования. Особенно модель LSTM (Long Short Term Memory), которая оказалась полезной при решении проблем, связанных с последовательностями с автокорреляцией.

Сети с долговременной краткосрочной памятью - это своего рода рекуррентные нейронные сети (RNN), которые способны изучать долгосрочные зависимости. LSTM позволяет сохранять долгосрочные состояния в дополнение к краткосрочным, с которыми традиционные RNN испытывают трудности. LSTM весьма полезны в задачах прогнозирования временных рядов, включающих автокорреляцию, из-за их способности поддерживать состояние и распознавать закономерности по длине ряда.

Нейронные сети для алгоритмического трейдинга. Простое прогнозирование временных рядов.

Оригинал: Neural networks for algorithmic trading. Simple time series forecasting

ВАЖНОЕ ПРИМЕЧАНИЕ:

Я допустил ошибку в этом посте во время предварительной обработки данных для проблемы регрессии - проверьте эту проблему https://github.com/Rachnog/Deep-Trading/issues/1, чтобы исправить. Это приводит к худшим результатам, которые могут быть частично улучшены за счет лучшего поиска гиперпараметров с использованием полных данных OHLC и обучения для > 50 эпох.

Это первая часть моих экспериментов по применению глубокого обучения для финансов, в частности, для алгоритмического трейдинга.

Введение в PyTorch - простая, но мощная библиотека Deep Learning.

Введение

Время от времени разрабатывается библиотека Python, которая может изменить ситуацию в области глубокого обучения. PyTorch - одна из таких библиотек.

В последние несколько недель я немного увлекся PyTorch. Я был потрясен тем, насколько легко ее понять. Среди различных библиотек глубокого обучения, которые я использовал до сих пор, PyTorch была самой гибкой и простой из всех.

keras: Deep Learning в R

Оригинал: keras: Deep Learning in R

В этом руководстве по глубокому обучению в R с пакетом keras RStudio вы узнаете, как создать многослойный персептрон (MLP).

Как вы уже знаете, машинное обучение - это отдельная область компьютерных наук. Таким образом, глубокое обучение - это подраздел машинного обучения, представляющий собой набор алгоритмов, основанных на структуре и функциях мозга и обычно называемых искусственными нейронными сетями (ИНС). Глубокое обучение - одна из самых популярных тенденций в машинном обучении на данный момент, и есть много проблем, в которых глубокое обучение хорошо себя проявляет, таких как робототехника, распознавание изображений и искусственный интеллект (AI).

Генеративные модели в действии: как создать картину Ван Гога с нейронной передачей художественного стиля

Оригинал: Generative Models in action: How to create a Van Gogh with Neural Artistic Style Transfer

В сегодняшнем руководстве мы изучим принципы нейронной передачи художественного стиля и покажем рабочий пример переноса стиля искусства Ван Гога на изображение.

Нейронная передача художественного стиля

Образ можно рассматривать как сочетание стиля и содержания. Техника передачи художественного стиля преобразует изображение, чтобы оно выглядело как картина с определенным стилем рисования. Мы увидим, как кодировать эту идею. Функция потери сравнивает сгенерированное изображение с содержимым фотографии и стилем картины. Следовательно, оптимизация выполняется для пикселя изображения, а не для весов сети. Два значения вычисляются путем сравнения содержимого фотографии со сгенерированным изображением, за которым следует стиль картины и созданное изображение.

Прогнозирование цен на акции с использованием методов машинного обучения и глубокого обучения (с кодом Python)

Оригинал: Stock Prices Prediction Using Machine Learning and Deep Learning Techniques (with Python codes)

Введение

Предсказать, как будет развиваться фондовый рынок, - одна из самых сложных задач. В прогнозировании задействовано очень много факторов - физические факторы против физиологического, рационального и иррационального поведения и т. д. Все эти аспекты в совокупности делают цены на акции нестабильными, и их очень трудно предсказать с высокой степенью точности.

Можем ли мы использовать машинное обучение, чтобы изменить правила игры в этой области? Используя такие данные, как последние новости о компании, ее квартальные результаты по доходам и т. д., методы машинного обучения могут выявить закономерности и идеи, которых мы раньше не видели, и их можно использовать для получения точных прогнозов.

Создание нейронных сетей с нуля в Python и R

Оригинал: Understanding and coding Neural Networks From Scratch in Python and R

Введение

Вы можете изучать и применять на практике какую-либо концепцию двумя способами:

Вариант 1. Вы можете изучить всю теорию по конкретному предмету, а затем искать способы применения этих понятий. Итак, вы читаете, как работает весь алгоритм, его математические основы, его допущения, ограничения, а затем применяете его. Надежный, но требующий времени подход.

Вариант 2. Начните с простых основ и разработайте интуитивное понимание по этому вопросу. Далее выберите проблему и начните ее решать. Изучите концепции, пока вы решаете проблему. Продолжайте развивать и улучшать ваше понимание. Итак, вы прочитали, как применить алгоритм - примените его. Когда вы знаете, как его применять, попробуйте поработать с различными параметрами, значениями, пределами и развить понимание алгоритма.

Глубокое погружение в математику нейронных сетей

Оригинал: Deep Dive into Math Behind Deep Networks

Тайны нейронных сетей, часть I

В настоящее время, имея в своем распоряжении много высокоуровневых специализированных библиотек и сред, таких как Keras, TensorFlow или PyTorch, нам не нужно постоянно беспокоиться о размере матриц весов или запоминать формулу для производной функции активации, которую мы решили использовать. Часто все, что нам нужно для создания нейронной сети, даже с очень сложной структурой, - это несколько импортов и несколько строк кода. Это экономит нам часы поиска ошибок и упрощает нашу работу. Однако знание того, что происходит внутри нейронной сети, очень помогает в таких задачах, как выбор архитектуры, настройка гиперпараметров или оптимизация.

Введение в нейронные сети для финансовых рынков

Оригинал: Introduction to Neural Networks for Finance

Машинное обучение и глубокое обучение стали новыми и эффективными стратегиями, обычно используемыми количественными хедж-фондами для максимизации своей прибыли. Для меня, как финансового энтузиаста, это потрясающая новость, поскольку она объединяет две мои области интересов.

Эта статья будет введением в то, как использовать нейронные сети для прогнозирования движений фондового рынка, в частности, цены акции (или индекса). Этот пост основан на моем проекте IntroNeuralNetworks. Целью этого проекта является прогнозирование котировок акций выбранной компании с использованием методов машинного обучения и нейронных сетей.

Простое введение в распознавание лиц (с кодом Python)

Оригинал: A Simple Introduction to Facial Recognition (with Python codes)

Введение

Знаете ли вы, что каждый раз, когда вы загружаете фотографию в Facebook, платформа использует алгоритмы распознавания лиц для идентификации людей на этом изображении? Или что определенные правительства во всем мире используют технологию распознавания лиц для выявления и поимки преступников? Мне не нужно говорить, что теперь вы можете разблокировать смартфоны своим лицом!

Области применения этой области компьютерного зрения огромны, и компании по всему миру уже пожинают его плоды. Использование моделей распознавания лиц будет только расти в ближайшие несколько лет, так почему бы не научиться делать их с нуля?

Deep Learning - построение искусственных нейронных сетей с использованием TensorFlow и Python

Перевод. Оригинал: Deep Learning - Artificial Neural Network Using TensorFlow In Python

В этой статье мы собираемся разработать технику машинного обучения под названием «Глубокое обучение (искусственная нейронная сеть)» с использованием tensor flow и спрогнозировать цену акций в python. В конце этой статьи вы узнаете, как построить искусственную нейронную сеть, используя tensor flow, и как кодировать стратегию, используя прогнозы нейронной сети.

Кодирование стратегии

Нейронные сети в Python: введение, структура и торговые стратегии

Перевод. Оригинал: Neural Network In Python: Introduction, Structure And Trading Strategies

Исследования нейронных сетей были начаты с целью симулировать человеческий мозг и понять, как люди принимают решения. Иногда нам не удается осознать, что человеческий мозг, возможно, является наиболее сложной машиной в этом мире и, как известно, весьма эффективно делает выводы в рекордно короткие сроки.

Подумайте об этом: если бы мы могли использовать то, как работает наш мозг, и применить его в области машинного обучения (в конце концов, нейронные сети являются подмножеством машинного обучения), мы могли бы сделать гигантский скачок с точки зрения вычислительной мощности и вычислительных ресурсов.

Работа с нейронными сетями в R, пакет neuralnet

Перевод. Оригинал: Fitting a Neural Network in R; neuralnet package

Нейронные сети всегда были одной из увлекательных моделей машинного обучения, на мой взгляд, не только из-за причудливого алгоритма обратного распространения, но и из-за их сложности (представьте себе глубокое обучение со многими скрытыми слоями) и структуры, вдохновленной мозгом.

Нейронные сети не всегда были популярны, отчасти потому, что они были и остаются в некоторых случаях вычислительно дорогими, а отчасти потому, что они, по-видимому, не дают лучших результатов по сравнению с более простыми методами, такими как машины опорных векторов (SVM). Тем не менее, нейронные сети вновь привлекли внимание и стали популярными.

Прогнозирование движения цен акций с помощью искусственных нейронных сетей в R

Перевод. Оригинал: Forecasting stock movements with Artificial Neural Networks in R

В этом посте я объясню, как я построил однослойную ANN, используя пакет neuralnet в R, чтобы прогнозировать движение цен шести акций, торгуемых на NYSE и NASDAQ, используя некоторые технические индикаторы плюс индекс SP500 в качестве входных данных.

Поскольку я впервые обучал ANN, основной идеей было в качестве упражнения определить простую структуру, которая может иметь приличную производительность, прогнозируя изменения цен закрытия для различных акций.

Использование нейронной сети для моделирования движения индекса S&P 500

Искусственные нейронные сети - это очень мощные и популярные алгоритмы машинного обучения, которые имитируют работу головного мозга при поиске паттернов в ваших данных. Хотя они могут быть очень сложными и требуют подгонки большого числа параметров, они могут быть очень эффективными. В этой статье мы дадим базовое введение в работу нейронных сетей, обсудим, как настраивать их параметры, и построим простую нейронную сеть для моделирования индекса S&P 500. В следующей части мы рассмотрим, как применить нашу модель к трейдингу. 

  

Что такое искусственная нейронная сеть? 

 

  

Искусственная нейронная сеть (ИНС) - представляет собой сеть соединенных между собой "нейронов". Эти нейроны взаимодействуют друг с другом с помощью большого количества взвешенных соединений. При повышении уровня входного сигнала до определенного уровня, задаваемого функцией активации, происходит активация нейрона. При активации он передает сигнал следующему уровню нейронов, при этом сила сигнала определяется весом каждого соединения.