Python Keras深度学习和财务回报

我正在通过Keras图书馆体验Tensorflow，在开始预测不确定性之前，我认为预测某些特定的东西可能是个好主意。因此，我尝试使用每日价格水平数据预测每周收益。我的输入形状如下：（1000，5，2），即1000个矩阵的形式：

Stock A   Stock B
 110       100
 95        101
 90        100  
 89        99
 100       110

对于

A股

而言，在

日t=0

的价格为

100

，

95

在

t-1

和

100

在

t-5

。因此，

A股

的周回报率为

110/100=10%

，而

B股

的周回报率为

-10%

。因为我现在只关注股票作为回报的预测，所以这个输入矩阵的y就是标量

0.01

。此外，我想将其作为一个分类问题，从而通过

将一个热编码向量转化为_category

，如果y大于5%，则为1；如果y小于-5%，则为2；如果y介于两者之间，则为0。因此，我对上述矩阵的分类输出为：

0 1 0

为了简化：我想让我的模型学习如何计算回报，也就是说，将输入矩阵中的第一个值除以股票A的输入矩阵的最后一个值，忽略股票B的输入。这将得到y。对于我来说，这只是一个练习任务，在我开始更困难的任务之前，模型应该实现零损失，因为没有不确定性。你打算用什么样的型号？我尝试了以下方法，但它根本不收敛。通过

compute\u sample\u weight（'balanced'）计算训练和验证权重。

我认为卷积可能对这有好处，因为每个返回都是单独计算的，所以我决定选择一个本地连接层。对于这样一个简单的任务，我需要添加更多的层吗

---

编辑：将我的输入矩阵转换为返回，模型成功收敛。因此，输入必须正确，但模型无法找到除法函数。有适合这样做的层吗？

测试集的结果是什么？它不会收敛。基本上，它在所有的时代都是这样的：

Epoch 5/1000-5s-loss:12.3980-acc:0.5916-val_loss:11.8097-val_acc:0.5625

这里不确定，但有一些建议。删除平台回调并重新运行以查看它是否导致问题。此外，尝试生成类似于输入的数据，以查看它是否不是输入问题（质量、数量）。如果有很多超参数，请尝试修改。很难知道问题的根源是什么。我只是通过采用百分比变化而不是价格水平来转换输入以匹配输出。这个模型现在运行得很好。因此，一般数据应该是正确的。您认为LocallyConnected2D作为第一层有意义吗？它将独立地为过滤器建模，假设权重是独立的。根据您的输入上下文，您也可以尝试conv2d图层。我会尝试两种方法。你的测试结果是什么？它不会收敛。基本上，它在所有的时代都是这样的：

Epoch 5/1000-5s-loss:12.3980-acc:0.5916-val_loss:11.8097-val_acc:0.5625

这里不确定，但有一些建议。删除平台回调并重新运行以查看它是否导致问题。此外，尝试生成类似于输入的数据，以查看它是否不是输入问题（质量、数量）。如果有很多超参数，请尝试修改。很难知道问题的根源是什么。我只是通过采用百分比变化而不是价格水平来转换输入以匹配输出。这个模型现在运行得很好。因此，一般数据应该是正确的。您认为LocallyConnected2D作为第一层有意义吗？它将独立地为过滤器建模，假设权重是独立的。根据您的输入上下文，您也可以尝试conv2d图层。我想两种都试试。

Earlystop = EarlyStopping(monitor='val_loss', patience=150, mode='min', verbose=1, min_delta=0.0002, restore_best_weights=True) 
checkpoint = ModelCheckpoint('nn', monitor='val_loss', verbose=1, save_best_only=True, mode='min', save_weights_only=False)
Plateau = ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=30, verbose=1)
optimizer = optimizers.Adam(lr=0.0001, beta_1=0.9, beta_2=0.999, amsgrad=True)

input_ = Input(batch_shape=(batch_size, 1, 5, 2)) 

model = LocallyConnected2D(16, kernel_size=(5, 1), padding='valid', data_format="channels_first")(input_)
model = LeakyReLU(alpha=0.01)(model)
model = Dense(128)(model)
model = LeakyReLU(alpha=0.01)(model)
model = Flatten()(model)

x1 = Dense(3, activation='softmax',  name='0')(model)
final_model = Model(inputs=input_, outputs=[x1])
final_model.compile(loss='categorical_crossentropy' , optimizer=optimizer,  metrics=['accuracy'])
history = final_model.fit(X_train, y_train, epochs=1000, batch_size=batch_size, verbose=2, shuffle=False, validation_data=[X_valid, y_valid, valid_weight],  sample_weight=train_weight, callbacks=[Earlystop, checkpoint, Plateau])