source=post_header_lockup 今天编辑部带来关于在基于金融时间序列的预测模型案例，我们将通过神经网络来增强一个经典的移动平均策略，并表明它真的是有所改善相对原策略。...基于技术分析的投资策略 但这种交易策略有一个主要的缺陷：在震荡行情中，策略没有过多的触及信号并交易，这样我们也很难赚到钱。 那我们怎么应用机器学习去改善呢？...网络结构 在这里我们展示一个如何训练正则化MLP进行时间序列预测的例子： 这里的““Novel”是增加小的噪声给单层神经网络的输入和输出。...训练网络后，我们绘制收盘价，均线和垂直线的交叉点：红色线和橙色线代表我们要交易的点。绿色线代表我们不去交易的点。...我们可以看到，策略减少了2次交易，并帮助我们减少了第一个drawdown，最终提高了几乎两倍的回报！
今天我想做一个带有实际预测的金融时间序列结论:我们将用神经网络强化经典移动平均策略,证明它真的改善了最终结果，并且审查新的预测目标。...在我们把这些预测看作是一种抽象的东西之前，只是看这些“up-down”的预测就尝试交易，即使这些预测并不是很好。但我们也知道，有很多其他的交易策略都是基于技术分析和财务指标。...神经网络以常规方式进行训练，让我们检查一下我们偏斜度的预测如何改善(或不)移动平均策略。...，我绘制了收盘价、移动平均线和相交点的垂直线:红色和橙色线代表了我们想要交易，绿色的线不是我们想要的。...使用神经网络的结果 我们将使用“红色”和“橙色”交易信号，并跳过绿色交易信号。 我们可以看到，这样的策略减少了2个交易，帮助我们降低第一个下降，并使最终收益提高了几乎两倍。
编辑部翻译：mchoi 【系列1】用于算法交易的神经网络基于多变量时间序列（点击标题阅读） 本次推文中我们会考虑回归预测问题，为它设计和检验一个新的损失函数，将收益转化为一些波动和为了这些问题检验不同的度量标准...) lowp = data2change(lowp) closep = data2change(closep) volumep = data2change(volumep) 让我们按照通常的做法来定义神经网络...基于平均绝对误差的神经网络预测 在度量方面，它稍微好一点：MSE：0.00013，MAE：0.0081和MAPE：132％，但在我们眼中这个图像仍然不能满足，该模型不能更好地预测波动的力量。...这个数量的“变可变性”被称为波动率（维基百科）： 在金融中，波动率（符号σ）是通过对数回报的标准差来衡量的交易价格序列随时间的变化程度。...y_i = volatility[i+WINDOW+FORECAST] x_i = np.column_stack((volat, o, h, l, c, v)) 我们将采用与上述相同的神经网络架构
你也可以从其他观点考虑——在任何时间戳我们的时间序列不代表一个单一的价，而是一个矢量（每天的开，高，收、低和成交量），但图片的metaphor是更加有用的去理解为什么我们今天将卷积神经网络应用于这个问题...神经网络架构 如前所述，使用CNN作为分类器。 主要选择它是因为超参数的灵活性和可解释性（卷积核，下采样大小等）和RNNs性能类似，比MLP更好，训练更快。
本期作者：Alexandr Honchar 本期翻译：Lin | 公众号翻译部成员 这是公众号关于深度学习在金融领域特别是算法交易上的一个连载系列： 1、简单时间序列预测 2、正确的时间序列预测+回测...正文 我们想从零实现只基于深度学习模型的交易系统，对于在研究过程中我们遇到的任何问题（价格预测，交易策略，风险管理）我们都将采用不同类型的人工神经网络（ANNS）来解决，同时也会检验它们在处理这些问题的效果到底如何...在第一部分，我们想演示MLPs（多层感知机）,CNNs（卷积神经网络）和RNN（递归或循环神经网络）是如何应用到时间序列预测上的。这部分中，我们不准备使用任何特征工程。...我们可以清楚地看到，我们的算法甚至都不接近真实值，但可以学习到趋势。...但是，让我们尝试更加复杂的算法来解决这个问题。
如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。 注意你不能在买入股票前卖出股票。
本期作者：Alexandr Honchar 本期翻译：yana | 公众号翻译部 这是公众号关于神经网络在金融领域特别是算法交易上的一个连载系列： 1、简单时间序列预测（已发表） 2、正确的时间序列预测...+回测（已发表） 3、多变量时间序列预测 4、波动率预测和自定义损失函数 5、多任务和多模式学习 6、超参数优化 7、用神经网络增强传统策略 8、概率编程和Pyro进行预测 欢迎大家关注公众号查看此系列...这篇文章中，我们会看看如何处理多元时间序列，特别是怎么处理每一个维度，如何对这种数据定义并训练一个神经网络，与上一篇文章比较结果。...神经网络框架 正如前面提到的，想用CNN做一个分类器。选它的主要原因是超参数的灵活性和可解释性（卷积内核，下采样大小等），以及类似于RNN的性能，比MLP训练更快。
本期作者：Alexandr Honchar 本期翻译：LIN | 公众号翻译部 这是公众号关于神经网络在金融领域特别是算法交易上的一个连载系列： 1、简单时间序列预测（已发表） 2、正确的时间序列预测...神经网络结构 正如我之前所说，在本文中，我们将只使用MLPs来展示在金融数据上过度拟合神经网络是多么容易（在前一篇文章中实际上存在过拟合），以及如何预防它。...我们想要建立一个交易系统，这意味着它必须做一些交易——买卖股票，希望能使投资组合增值。...但是有很多方法可以改善我们的结果（人们在基金中所做的就是这些事情）: 1、使用高频数据（每小时、分钟）——机器学习算法需要更多的数据，并且短期预测效果更好。...2、做一些超参数优化，不仅包括神经网络优化和训练参数优化，还包括训练的历史窗口优化。 3、使用更好的神经网络架构，如CNNs或RNNs。
本期，公众号将对算法交易做一介绍，在后面的几期推文中，我们将展开对算法交易的技术应用、算法结构等进行讲解！ 前言 本文尝试以第三人称的视角解读算法交易。...新闻资讯来自Twitter、Facebook、微博等社交网络，该数据在交易中的主流用法是提供更强大的工具来解释非结构化数据，其中很多工具都在人工智能领域中有应用，特别是神经网络。...4、神经网络模型 神经网络几乎是最受算法加以者青睐的机器学习模型。神经网络由输入变量和输出变量之间互相连接的节点层组成。...在特殊的神经网络中，感知器被用作连接两个节点层，即输入节点层、隐含节点层和输出节点层。...在金融领域，常用的风险测度指标包括特雷诺比率、夏普比率和索提诺比率，算法交易的模型部分正是用来最大化这些指标，而难点在于市场是动态的。换言之，以前有效的模型、逻辑、神经网络或许在以后会失效。
图灵公司出版的《算法帝国》一书中介绍，2000年，华尔街通过计算机程序交易的比率不足美国股市交易量的10%；2008年上半年，自动化电子交易占了全美股市交易量的60%；现在，华尔街70%以上的交易依靠所谓的黑盒子或者算法交易...上海证券交易所CTO白硕，从算法和算法交易的角度探究算法如何改变未来并统治世界，以及算法交易在中国引发的技术生态变革。...算法也有可能通过生物神经网络的分层认知与学习，脑功能替代，从串行到并行计算的架构改变等获得智能的进化。吴甘沙称之为“计算智能”：算法生物学隐喻的集中体现。 ?...此外，人的神经网络里传输电信号的速度是一秒走一百米，而机器接近光速。这些方面机器脑有一定优势。但能耗是机器相对于生物的劣势。...算法交易的催化剂是共同市场的兴起，跨市场、跨品种的瞬间盈利机会，人已经没有办法抓住，只有算法交易才能抓住。业务上出现越来越复杂的关联，不用算法交易也很难把握。
在以太坊的第一期的分片计划当中是没有跨分片交易的，交易只能存在于同一个分片的账户之间，也就是不能跨行转账。 那如何实现跨行转账呢？...1.2 散列锁托管转移（Hash-locked escrow transfer） 爱丽丝和鲍勃要通过代币P来交易货物，他们需要以下的一个交易机制来保证： 1、爱丽丝拥有代币P有效 2、在交易过程当中，代币...P在爱丽丝的账户金额当中锁定，并且不能被其他交易使用 3、当得到了K次确认之后，交易执行成功 4、交易被取消的话，如果时间少于T，则代币会归还到爱丽丝的账户当中 ?...这个通知还包括了执行这个交易需要的key transaction-finalised(key=K) 当这笔交易已经完成之后通知双方。...在上述的例子当中，从"/a/b"转账给"/d"需要通过图中红色的分片 算法如下： 爱丽丝和鲍伯在不同的任意碎片之间的转移将执行以下算法: Let LCA-A be the depository of Alice's
在每一次我把刷算法题中经常遇到的一些算法题解进行整理总结。 要知道，手撕代码，也就是刷算法题的重要性在大厂面试中无可厚非，几乎所有大厂就有手撕代码环节，所以好好练习代码，刷题吧！...我们第一篇就先聊聊算法题中的——股票交易类算法问题 股票交易题目内容如下： 1.买卖股票的最佳时机（一次交易）： (1) 暴力遍历法： （面试使用此法，容易回去等结果） 对于数组的最优条件的比较问题...，最容易想到的就是暴力法，所谓暴力法就是对所有的股票买入与卖出交易情况进行枚举，依次进行逐一的交易利润的计算与统计，比较出来最大的交易利润。...） 与上一道算法题不同之处在与本次股票交易需要进行两次交易所得利润的最大之和，也就是就是在整个的过程中，会有两次“买入卖出”的操作，你需要对两次股票交易所得利润求得计算利润的总和。...算法流程： (1)初始化股票交易的最大利润的总值sum=0; (2)比较今天的股票价格与前一天的股票价格，如果今天的股票价格比前一天的股票价格高，则说明可以带来正向收益，可以计算加入正向的最终收益。
神经网络就是其中一种。但是考虑到实际情况，一般的神经网络（BP网络）不需要设计的那么复杂，不需要包含反馈和递归。 人工智能的一大重要应用，是分类问题。本文通过分类的例子，来介绍神经网络。...下面这张图总结了不同类型的神经网络具备的功能： ? 数学家证明了，双隐层神经网络能够解决任意复杂的分类问题。但我们的问题到此为止了吗？不见得！ 这里还有几个问题： 异或如何实现？...如何训练：如何计算出合理的神经网络参数？（隐层节点数） 3.如何训练神经网络 如果一个平面，有6个点，分成三类。如何设计呢？ ?...4.训练算法 线性可分 如果输入和输出是线性关系（或者是正相关），那么想象我们在调节一个参数时，当输出过大，那就把输入调小一些，反之调大一些，最后当输出和我们想要的非常接近时，训练结束。...5.总结 这样的一篇文章真是够长了，原本还想再介绍一个神经网络的Python实现，可是考虑到篇幅的限制，最终作罢。在下一期继续介绍如何实现BP神经网络和RNN（递归神经网络）。
这就是神经网络的基本结构，随着后面的发展神经网络的层数也随之不断增加和复杂。 我们回顾一下神经网络发展的历程。...从单层神经网络（感知机）开始，到包含一个隐藏层的两层神经网络，再到多层的深度神经网络，一共有三次兴起过程。详见下图。 ?...但是对于神经网络来说，我们往往面对的是非常道的权值和偏置，也就是说v的维数不只是两维，有可能是亿万维的。对于一个高维的函数C(v)求导数几乎是不可能的。 在这种情况下，有人提出了一个有趣的算法。...在回到神经网络中，w和b的更新规则为： ? 5 反向传播算法 前面提到神经⽹络如何使⽤梯度下降算法来学习他们⾃⾝的权重和偏置。但是，这⾥还留下了⼀个问题：我们并没有讨论如何计算代价函数的梯度。...SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None): """训练神经网络使用小批量的随机梯度下降算法
事实上，从计算机科学的角度看，我们可以先不考虑神经网络是否真的模拟了生物神经网络，只需将一个神经网络视为包含了许多参数的数学模型，这个模型是若干个函数，例如 相互(嵌套)代入而得，有效的神经网络学习算法大多以数学证明为支撑...欲训练多层网络，简单感知机学习规则显然不够了，需要更强大的学习算法，误差逆传播(error BackPropagation，简称BP)算法就是其中最杰出的代表，它是迄今为止最成功的神经网络算法。...显示任务中使用神经网络时，大多是在使用BP算法进行训练。...值得注意的是，BP算法不仅可用于多层前馈神经网络，还可用于其他类型的神经网络，例如训练递归神经网络，但通常说“BP网络”时，一般是指用BP算法训练的多层前馈神经网络。下面我们来看BP算法究竟是什么样。...然而，多隐层神经网络难以直接用经典算法(例如标准BP算法)进行训练，因为误差在多隐层内逆传播，往往会“发散”而不能有效收敛到稳定状态。
神经网络（Artifical Neural Network） 神经网络（人工神经网络）,是一种模仿生物网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型或计算模型。...现代神经网络，是一种非线性的数据建模工具，常用来对输入和输出间复杂的关系进行建模。用来探索数据的未知模式。 ?...神经网络用到的包”nnet” nnet(formula,data,size,decay,maxit,linout,trace) formula 建模表达式 data 训练数据 size
1、前馈神经网络、反馈神经网络、BP网络等，他们之间的关系 前馈型神经网络： 取连续或离散变量，一般不考虑输出与输入在时间上的滞后效应，只表达输出与输入的映射关系；在此种神经网络中，各神经元从输入层开始...常见的前馈神经网络有感知机（Perceptrons）、BP（Back Propagation）网络、RBF（Radial Basis Function）网络等。...BP网络： BP网络是指连接权调整采用了反向传播（Back Propagation）学习算法的前馈网络。...由上可知BP网络是通过BP算法来修正误差的前馈神经网络 反馈型神经网络： 取连续或离散变量，考虑输出与输入之间在时间上的延迟，需要用动态方程来描述系统的模型。...前馈型神经网络的学习主要采用误差修正法（如BP算法），计算过程一般比较慢，收敛速度也比较慢； 而反馈型神经网络主要采用Hebb学习规则，一般情况下计算的收敛速度很快。
神经网络算法入门神经网络是一种受到生物神经元系统启发而设计的人工智能算法。它通过模仿人类大脑中神经元之间的连接和信号传递方式，建立起一种用于模式识别、分类和预测的模型。...神经网络的层数和每层神经元的数量可以根据任务的复杂度和数据的特征进行调整。 神经网络的训练是通过反向传播算法来实现的。...希望本文能够帮助你入门神经网络算法，期待你能够深入学习并掌握更多的人工智能算法知识。1....神经网络算法的缺点：训练时间长：神经网络算法通常需要大量的数据和计算资源来进行训练。由于神经网络中的权重参数非常多，需要进行大量的矩阵运算，这导致训练时间往往较长。...对数据质量和标签依赖较高：神经网络算法对数据质量和标签的准确性有较高的要求。噪声数据和错误标签可能会显著影响模型的性能。过拟合风险：神经网络算法容易出现过拟合问题，尤其是在训练数据较少的情况下。
BP算法就是所谓的反向传播算法，它将误差进行反向传播，从而获取更高的学习效率。这很像烽火台，如果前线战败了，那么消息就通过烽火台传递回指挥部，指挥部去反思问题，最终改变策略。...下面一张图展示了完整的BP算法的过程，我看了不下20遍： ? 更有趣的是，sigmoid求导之后，特别像高斯（正态）分布，而且sigmoid求导非常容易。
在交易中，微博等社交网络的新闻和数据的主流使用已经产生了更强大的工具，能够理解非结构化数据。其中很多工具利用人工智能，尤其是神经网络。 模型组件 模型是由算法交易系统所看到的外部世界的表示。...一些方法包括但不限于数学模型、符号和模糊逻辑系统、决策树、归纳规则集和神经网络。 数学模型 使用数学模型来描述市场的行为被称为量化金融。...神经网络模型 神经网络几乎可以肯定是算法交易者最流行的机器学习模型。神经网络由输入和输出之间的相互连接的节点层组成。...在非循环神经网络中，感知器被布置成层，并且层与层之间相互连接。有三种类型的层：输入层、隐藏层和输出层。...换句话说，之前工作过的模型、逻辑或神经网络可能会随着时间的推移而停止工作。为了解决这个问题，算法交易系统应该使用有关模型本身的信息来训练模型。这种自我意识使模型能够适应不断变化的环境。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
