Se préparer à apprendre les indicateurs techniques avec TFlearn

introduction

Il existe de nombreux types d'indicateurs techniques utilisés dans l'analyse de marché, mais fondamentalement, les quatre dernières valeurs sont utilisées comme données d'entrée, et certains calculs sont effectués et produits.

Ainsi, lorsque vous connaissez les données d'entrée et de sortie, pouvez-vous estimer le type de calcul que vous effectuez? Si vous connaissez le modèle de calcul et décidez simplement des paramètres qui y apparaissent, il existe différentes méthodes telles que l'identification du système et l'algorithme d'optimisation.

Cependant, il serait un peu difficile d'estimer même le modèle de calcul, mais si l'intelligence artificielle populaire et le deep learning sont "universels", ce sera possible. Non, si vous ne pouvez pas faire autant, vous ne devriez pas vous appeler intelligence artificielle.

En dehors de cela, cette fois j'ai essayé avec TFlearn pour voir si je pouvais apprendre les indicateurs techniques que je connaissais à l'avance.

Indicateurs techniques pour apprendre

L'indicateur technique le plus élémentaire est la moyenne mobile. C'est un processus linéaire simple, vous n'avez donc pas besoin d'utiliser un réseau de neurones, mais ce n'est pas trop simple. J'essaierai du très simple.

Je ne peux pas obtenir la moyenne avec une entrée, alors j'en utiliserai deux pour le moment. Cependant, changez les poids en 1/3 et 2/3.

y(n)=\frac{1}{3}x(n-1)+\frac{2}{3}x(n)

Il s'agit de la moyenne mobile pondérée linéaire (LWMA) de la période 2, qui est MT5.

iMA(_Symbol, 0, 2, 0, MODE_LWMA, PRICE_CLOSE);

Il peut être calculé en utilisant la fonction de. Ce qui suit est la sortie de fichier avec les données quotidiennes de l'USDJPY dans MT5 Program.

``USDJPY.f16408.txt`


Time,Open,High,Low,Close,Ind0
2015.01.02 00:00,120.416,120.74,119.805,120.458,120.257999999996
2015.01.05 00:00,120.531,120.646,119.371,119.631,119.906666666662
2015.01.06 00:00,119.285,119.504,118.05,118.363,118.785666666662
2015.01.07 00:00,118.587,119.647,118.504,119.249,118.953666666662
2015.01.08 00:00,119.314,119.961,119.157,119.652,119.517666666662
2015.01.09 00:00,119.727,119.876,118.415,118.509,118.889999999995
2015.01.12 00:00,118.315,119.315,118.098,118.346,118.400333333328
2015.01.13 00:00,118.363,118.849,117.534,117.925,118.065333333328
2015.01.14 00:00,117.89,117.937,116.067,117.335,117.531666666662
2015.01.15 00:00,117.257,117.941,116.151,116.165,116.554999999995
2015.01.16 00:00,116.183,117.764,115.849,117.541,117.082333333328
2015.01.19 00:00,117.426,117.78,116.919,117.557,117.551666666661
2015.01.20 00:00,117.654,118.866,117.64,118.766,118.362999999995
2015.01.21 00:00,118.67,118.759,117.179,117.956,118.225999999994
2015.01.22 00:00,117.917,118.665,117.245,118.469,118.297999999994
2015.01.23 00:00,118.633,118.813,117.534,117.754,117.992333333328
2015.01.26 00:00,117.634,118.497,117.263,118.447,118.215999999994
2015.01.27 00:00,118.413,118.657,117.334,117.861,118.056333333327
2015.01.28 00:00,117.746,118.262,117.249,117.536,117.644333333327
2015.01.29 00:00,117.489,118.486,117.385,118.257,118.016666666661
2015.01.30 00:00,118.336,118.459,117.296,117.542,117.780333333327
  :

Création de données enseignants

Lisez le fichier ci-dessus et créez les données de l'enseignant. Le fichier contient 4 valeurs et valeurs d'index, mais seuls le cours de clôture Close et la valeur d'index ʻInd0` sont utilisés ici.

Créez environ 200 échantillons de données d'entrée (2 dans ce cas) dans «X» et indexez la valeur de sortie dans «Y».

import numpy as np
import pandas as pd
import tensorflow as tf
import tflearn

file = 'USDJPY.f16408.txt'
ohlc = pd.read_csv(file, index_col='Time', parse_dates=True)
close = ohlc.Close.values
ind0 = ohlc.Ind0.values

N = 2
X = np.empty((0,N))
Y = np.empty((0,1))
for i in range(200):
    X = np.vstack((X, close[i:i+N]))
    Y = np.vstack((Y, ind0[i+N-1:i+N]))

Définition du graphe

La définition du graphe utilisée dans TFlearn, mais cette fois nous définirons celui qui est connecté linéairement à partir de la couche d'entrée, en supposant qu'il s'agit d'un modèle linéaire. De plus, je n'utilise pas de biais, alors définissez bias = False.

Cependant, pour la «régression», les résultats par défaut n'étaient pas très bons, j'ai donc ajusté le taux d'apprentissage pour diminuer progressivement en utilisant la méthode SGD.

# Graph definition
layer_in = tflearn.input_data(shape=[None, N])
layer1 = tflearn.fully_connected(layer_in, 1, activation='linear', bias=False)
sgd = tflearn.optimizers.SGD(learning_rate=0.01, lr_decay=0.95, decay_step=100)
regression = tflearn.regression(layer1, optimizer=sgd, loss='mean_square')

Apprentissage

L'apprentissage est facile à écrire avec TFlearn. Apprenez jusqu'à 10 000 générations.

# Model training
m = tflearn.DNN(regression)
m.fit(X, Y, n_epoch=10000, snapshot_epoch=False, run_id='MAlearn')

résultat

Le coefficient de pondération est émis comme résultat d'apprentissage.

# Weights
print('\nweights')
for i in range(N):
    print('W['+str(i)+'] =' ,m.get_weights(layer1.W)[i])

Ce qui suit est la sortie du résultat d'apprentissage.

---------------------------------
Run id: MAlearn
Log directory: /tmp/tflearn_logs/
---------------------------------
Training samples: 200
Validation samples: 0
--
Training Step: 40000  | total loss: 0.61673
| SGD | epoch: 10000 | loss: 0.61673 -- iter: 200/200
--

weights
W[0] = [ 0.43885291]
W[1] = [ 0.56114811]

Les poids exacts sont W [0] = 0,3333, W [1] = 0,6777, il ne semble donc pas que vous appreniez correctement.

Traitement des données des enseignants

Dans cet exemple, le modèle consistait simplement à trouver la somme linéaire de deux entrées, mais si la différence entre les deux données d'entrée était faible, l'erreur serait petite et l'apprentissage échouait. Par conséquent, cette fois, j'ai essayé d'utiliser uniquement les données de l'enseignant lorsque la différence entre les deux données est de 1 ou plus.

N = 2
X = np.empty((0,N))
Y = np.empty((0,1))
for i in range(200):
    if abs(close[i]-close[i+1]) >= 1.0:
        X = np.vstack((X, close[i:i+N]))
        Y = np.vstack((Y, ind0[i+N-1:i+N]))

Le résultat.

---------------------------------
Run id: MAlearn
Log directory: /tmp/tflearn_logs/
---------------------------------
Training samples: 22
Validation samples: 0
--
Training Step: 10000  | total loss: 1.94699
| SGD | epoch: 10000 | loss: 1.94699 -- iter: 22/22
--

weights
W[0] = [ 0.33961287]
W[1] = [ 0.66053367]

Le nombre d'échantillons a diminué à 22, mais le poids est plus proche de la valeur réelle qu'auparavant.

Données d'enseignants bruyantes

En premier lieu, le réseau neuronal n'est pas destiné à la prédiction numérique précise, mais à la prédiction.

Par conséquent, cette fois, j'ai ajouté un bruit gaussien avec une moyenne de 0 et un écart type de 0,1 à la valeur de l'indice en tant que données de l'enseignant.

N = 2
X = np.empty((0,N))
Y = np.empty((0,1))
for i in range(200):
    if abs(close[i]-close[i+1]) >= 1.0:
        X = np.vstack((X, close[i:i+N]))
        noise = np.random.normal(0,0.1)
        Y = np.vstack((Y, ind0[i+N-1:i+N]+noise))

Le résultat.

---------------------------------
Run id: MAlearn
Log directory: /tmp/tflearn_logs/
---------------------------------
Training samples: 22
Validation samples: 0
--
Training Step: 10000  | total loss: 3.79990
| SGD | epoch: 10000 | loss: 3.79990 -- iter: 22/22
--

weights
W[0] = [ 0.32918188]
W[1] = [ 0.67114329]

Les résultats changeront légèrement à chaque fois, mais vous pouvez voir que vous apprenez généralement. Le mérite du réseau neuronal est qu'il peut en quelque sorte prédire même s'il y a du bruit.

Résumé

Il est possible de traiter 3 données ou plus en changeant le "N" dans le code, mais en fait, le coefficient de poids ne pouvait pas être obtenu avec une très bonne précision lorsqu'il y avait 3 entrées ou plus. Le résultat est omis.

Il semble donc qu'il reste encore un long chemin à parcourir pour apprendre un index technique. Pour le moment, c'était un article sur la préparation.

Eh bien, l'avantage d'utiliser TFlearn est que vous pouvez vérifier rapidement si votre idée est bonne ou non.

Recommended Posts

Se préparer à apprendre les indicateurs techniques avec TFlearn
Ouvrez AI Gym pour apprendre avec le poteau de chariot contrôlé par PD
J'ai essayé d'apprendre le fonctionnement logique avec TF Learn
Apprenez à reconnaître les nombres manuscrits (MNIST) avec Caffe
AWS Step Functions pour apprendre avec un exemple
Comment entraîner Kaldi avec JUST Corpus
J'ai essayé d'entraîner la fonction péché avec chainer
J'ai essayé d'implémenter et d'apprendre DCGAN avec PyTorch
Préparation à l'utilisation de Tensorflow (Anaconda) avec Visual Studio Code
Résumé du site pour apprendre l'apprentissage automatique avec une vidéo en anglais
Comment apprendre le SVM structuré de ChainCRF avec PyStruct
[Comment!] Apprenez et jouez à Super Mario avec Tensorflow !!
MVC - Édition de modèle pour apprendre de 0 avec un biais uniquement
Apprenez Python avec ChemTHEATER
Convertir 202003 en 2020-03 avec les pandas
Apprenez Zundokokiyoshi en utilisant LSTM
Pandas apprenant avec la chimioinfomatique
Apprentissage Scikit-Learn avec la chimioinfomatique
Apprenez avec Chemo Informatics Matplotlib
Apprenez avec Chemo Informatics NumPy
DCGAN avec TF Learn
Apprenez Pendulum-v0 avec DDPG
Procédure d'apprentissage et de déduction d'un modèle de traduction anglais-japonais de transformateur avec CloudTPU
Apprentissage automatique pour apprendre avec Nogisaka 46 et Keyakizaka 46 Partie 1 Introduction