具有退出的输入数据的神经网络结构
具有退出的输入数据的神经网络结构
提问于 2020-08-13 05:59:07
在金融市场，一个简单的问题是，不同国家的交易日历各不相同。例如，瑞典庆祝瑞典国庆节，挪威星期一庆祝瑞典国庆节。通常情况下，股票市场的一个时间序列因为假日的“休市”而赶上了第二天市场再次开放的时间序列。
例如：
+-----------------+------------+------------+------------+------------+
| Date | SEK 1 | SEK 2 | NOK 1 | NOK 2 |
+-----------------+------------+------------+------------+------------+
| Date 1 | + 0.2% | +0.4% | +0.3% | +0.6% |
| Date 2 | + 1.1% | +0.7% | +0.3% | +2.1% |
| Date 3 | -3.2% | -2.9% | NaN | NaN |
| Date 4 | +0.1% | -0.2% | -2.8% | -1.6% |
+-----------------+------------+------------+------------+------------+我的模型的目标是调整日期3和4的NOK回报，因为NOK的日期3和4已经被NOK假期扭曲了。为了做到这一点，我将使用尽可能多的好日期，例如日期1，并通过随机删除一些数据、调整后续日期和使用删除的调整作为输入来构建一个大型数据集，显然我知道有监督的输出是真实的数据。
我觉得这很适合神经网络，但我从来没有构造过一个输入退出的神经网络。
在缺少的输入数据点对这一轮的权重没有影响的情况下，建立网络是否合适？在默认情况下，是否有任何神经网络(或全部)可以做到这一点？
回答 2
Data Science用户
发布于 2020-08-13 07:48:53
没有什么特别的理由认为神经网络是合适的，如果有的话，它可能会太多(取决于你的时间序列的复杂性)。
在任何情况下，你都需要处理你的南值，如果你想要一个快速的模型，这是自动的，我建议lgbm。因为它会将最大限度地减少折叠损失的值归责于NAN (作出高度最优的估算)。
Data Science用户
发布于 2020-08-13 11:34:04
我不认为这个银行假日在你的数据应该被视为失踪或南。在那些日子里，市场实际上是“不交易”。这本身就是数据集的固有信号，模型可能会更好地进行推理。因此，应该显式地将其设置为零。
如果有足够大的数据集，并且就神经网络而言，LSTM模型可以很好地为您提供服务，以便捕获其他许多您可能无法确定的漂移。本教程可能是您的用例利弊的一个极好的起点。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/80201
复制相关文章
相似问题
腾讯云开发者
