相关文章推荐
2014年4月的时候自己在公司就将Caffe移植到Windows系统了，今年自己换了台电脑，想在家里也随便跑跑，本来也装了Ubuntu可以很方便的配置好，无奈在家的风格是“娱乐的时候抽空学习”，所以移...
VS2013配置Caffe卷积神经网络工具（64位Windows 7）——准备依赖库
2014年4月的时候自己在公司就将Caffe移植到Windows系统了，今年自己换了台电脑，想在家里也随便跑跑，本来也装了Ubuntu可以很方便的配置好，无奈在家的风格是“娱乐的时候抽空学习”，所以移...
2014年4月的时候自己在公司就将Caffe移植到Windows系统了，今年自己换了台电脑，想在家里也随便跑跑，本来也装了Ubuntu可以很方便的配置好，无奈在家的风格是“娱乐的时候抽空学习”，所以移...
网络工具集线器、交换机、路由器和网关
1、中继器和集线器（Hub）
中继器和集线器将从连接点之一（端口）接收的电信号重新传给所有端口，以保持信号的完整性。
中继器是在...
他的最新文章
他的热门文章
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)随笔 - 17&
&&&&&&&&&&&
　　& & 距离上一篇文章，正好两个星期。 这篇文章9月15日 16：30 开始写。 可能几个小时后就写完了。用一句粗俗的话说， “当你怀孕的时候，别人都知道你怀孕了， 但不知道你被日了多少回 ” ，纪念这两周的熬夜，熬夜。 &因为某些原因，文章发布的有点仓促，本来应该再整理实验和代码比较合适。文章都是两个主要作用： 对自己的工作总结， 方便自己回顾和分享给有兴趣的朋友。& &不说废话了， 进入正题。 本次的课题很简单， 深度神经网络（AI）来预测5日和22日后的走势。 （22日尚未整理， 不表）。&& &先上个工作流程图， 也基本上是本文章的脉络：
& & 先说金融需求， 我很希望能预测股票5日后的情况或者22日后的情况。如果知道5日后能涨个10%，概率达到70%以上。我想肯定会很受用。 &因此我把5日后的收盘价格，作为我预测（分类）的目标。&& & 在整个工作过程中， 搭建数据环境和数据整理清洗，耗费了我50%以上的时间。 &而且还在我有有基本数据的基础上。&搭建数据环境，就是根据我的目标，提出所需的训练数据的需求。 然后整理基础数据，形成相关数据及数据调用的接口。方便我很快的获得训练数据。 我所需要的数据包括：股票代码，日线数据，分红数据，等其它。 整理后的数据包括各项均线。 &细节不表。& & & 数据整理清洗，说一下我的处理： && & &1. 所有参加训练的数据均不包括分红相关，感觉前复权后复权太复杂，且与实际不符，直接过滤。& & &2. 数据我只包含2017年1月到7月数据。 有人会说数据太少，且对股市来说周期不全，会直接影响最后的使用。这个等下稍微& & & & &再做补充说明。& & &3. 所有数据训练前做归一化处理， 包括价格，成交量，成交金额，涨幅，均线等。& & &4. 所有数据训练前，做打乱处理。& & &5. 数据等量分布 & & & &（还有其它处理，想起来再做补充）只有2017年的数据，我是这么想的， 上半年的基本面基本相同， 1～7月份的情况，应该可以适合 9，10月份。股票是有周期性的， 快速上涨（疯狂）， 和快速下跌，与平时状态是不一样。 所以有意识的分阶段预测有必要性。自身原因： &机器性能有限，过量的数据训练，时间消耗太大。&当然，全数据（全金融周期）的训练，肯定会进行的。&说一下目标分类：目标为 5日后的收盘价格， 预测数据是前21日的 o c h l, v ,amout, zf , 均线 等。数据分为 5类 ， 类0， 类1 ， 类2， 类3， 类4
标准： ～-10 % ， & -10 %～-1 %， &-1～2 %， &2 %～10 %， 10 %～应该很好理解吧， 就是5日后收盘价 比今日收盘价低 10%以上为 0类， &如果是10%以上为 4类
接下去就是上主要代码了，发布主要代码。建立LSTM神经网络：&
def buildlstm():
# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(nUnits, return_sequences=True, input_shape=(timesteps, data_dim)))
model.add(Dropout(0.2))
model.add(LSTM(nUnits, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(nUnits))
# model.add(Dense(128, activation='relu'))
# model.add(Dropout(0.2))
# model.add(Dense(64, activation='relu'))
# model.add(Dropout(0.2))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(5, activation='softmax'))
pile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
print model.summary()
return model
def run():
if (os.path.exists(destfile) == True):
X = pd.read_hdf(destfile, 'data')
y = pd.read_hdf(destfile, 'label')
codedtlist = pd.read_hdf(destfile, 'codedt')
X = np.array(X)
y = np.array(y)
codedtlist = np.array(codedtlist)
X, y, codedtlist = makedata()
df = pd.DataFrame(X)
df.to_hdf(destfile, 'data')
df = pd.DataFrame(y)
df.to_hdf(destfile, 'label')
df = pd.DataFrame(codedtlist)
df.to_hdf(destfile, 'codedt')
print 'read file:'
print codedtlist[:10]
print y[:10]
X, y, codedtlist = dataDoByYsite(X, y, codedtlist)
X, y, codedtlist = dataDaluan(X, y, codedtlist)
print 'ByYsite and Daluan :'
print codedtlist[:10]
print y[:10]
print len(X)
maxLen = len(X)
splen = maxLen * 90 / 100
X_train, X_test = X[:splen], X[splen:]
y_train, y_test = y[:splen], y[splen:]
codedt_train, codedt_test = codedtlist[:splen], codedtlist[splen:]
model = buildlstm()
TrainMode(X_train, y_train, model)
TestMode(X_test, y_test, model, codedt=codedt_test)
model.save_weights('Result/lstm_class5_2017_debug' + '_V1.2' + '.h5')
训练预测前， 我们数据 类4， 是 5657 ： 233000， 也就是说，你随机选，大概选 50 个股票会中一个5天内涨 10%的。
很多人想着急看到结果， 想看结果的到文章最后看吧。&下面开始说分析调优， 我认为这是量化交易最重要的工作之一， 另外一个之一就是构建更复杂的神经网络提高 准确率。第一轮结果，我用全数据训练，达到大概 0.5xxx 的ACC 。 然后我把测试数据和预测数据做了对比，结果概率高达多 80%.然后我去看数据， 一看，发现有问题了。 因为数据基本集中在 类2， 所以在训练的时候， AI( & AI并不AI &), 就很聪明的往类2 靠， 这样能很快提高准确率。 & 其实对我们有意义的是类4的预测。第二轮训练测试， 我把所有分类，整成等量的，再做预测。 结果同样达到&达到大概 0.5xxx 的ACC， 同样能把测试数据和预测数据做了对比，相似度最高的前20条， 高达90%。 &吓了我一跳， 还好我也是见过世面的人， 马上稳定下来查问题。 因为我觉得这么高的成功率，我成神仙了， 或者说AI成神仙了。 所以说这数据是不符合现实的。第三轮训练测试， 等量分类训练数据， 全量预测数据。 & &直接说重点 ： 我把中奖率从 &2% 提高到了 25%。 也就是 &4个股票，其中有1个可以在未来5天内达到 10%。
实际与预测截图：
相似度大于 &0.50 分（满分为1分） &准确率统计：
再做精细统计：& &&
通俗的表达就是， &选相似度大于 95% 的 类4 &预测， &就能达到 &4个股票 有 1 个股票5天内能达到 10%。有没价值， 金融领域的朋友可能比较清楚。&为了防范风险， 再做一个风险统计：& &
说明： &统计这个的目的是， 万一 我不是 4选1 （ 类4）， & 而是4选3了， 那我就成了另外的4类了。 踩地雷的概率是多少呢？ &这个表就是说明这个情况。&
预测仅仅是量化的开始， 后面还有仓控，资金控制等。 一个好的入场会为后续管理提供更大的操作空间。&That&is&all ! & & &文章就此结束。&顺便说一下接下想做点什么事情：1. 预测实盘， &我搭建的环境是一个研究环境， 所以做实盘环境，还得熬夜。（实盘很重要， 是狗是猫，总得拿出来遛遛 ）2. 再研究， &在此数据基础上， 再提升（方法一：提升网络模型， 方法二：根据预测数据 二次删选）3. 我向往的强化学习&
有对 金融程序化 和 深度学习结合有兴趣的可以加群 ， 个人群： 杭州程序化交易群 &
阅读(...) 评论()还在用PS去磨皮去皱？看看如何用神经网络高度还原你的年轻容貌！
还在用PS去磨皮去皱？看看如何用神经网络高度还原你的年轻容貌！
用机器学习合成人像照片，使照片中的人看起来更年轻或年老的方法已经屡见不鲜。不过据雷锋网消息，近日，来自法国Orange实验室的Enter Grigory Antipov和他的朋友们研发出一种更省时、合成结果更准确的方法 。据雷锋网小编了解，该方法的工作原理是：让两个深度学习机器同时工作。两个机器一个用来生成人脸，一个用来鉴别人脸。而且两个机器会通过分析人脸图像，提前习得各年龄段人脸大概是什么样子的。年龄段分类标准为：0-18, 19- 29, 30-39, 40-49, 50-59, 以及60岁以上。在每个年龄分组里，研究人员让机器学习超过5,000张标记过年龄的人脸图像。这些图像均来自于 Web Film Database以及维基百科。通过这种方法，机器可以学会每个年龄分组内的标签，而正是这个习得的总结标签让生成人脸的机器把不同年龄的人像照片准确加工成用户所希望的年龄的样子，无论是让照片中的人变得年轻还是变得年老。但是，同其合成人像的机器一样，这里面存在的一个问题便是在合成过程中，机器可能会丧失掉图片原有的识别资料（id）。不过俗话说得好，只要思想不滑坡，方法总比困难多。这时候第二个深度学习机器——鉴别人脸机器就开始起作用了。它的解决办法是：看这个照片的识别资料是不是唯一的，如果不是的话照片则会被拒绝输出。实验证明，这个方法相当有效。经雷锋网小编总结，他们的检验方法研究团队让机器合成10,000张从IMDB- Wikipedia数据库中抽取出来的人像。而且这些照片之前从未用来训练机器。然后他们用OpenFace软件程序来检测训练前后的两张照片是否为同一个人。测试结果为，有80%经训练的照片都被认为和原照片是同一个人。作为对比，用其他方法加工照片，平均测试结果只有50%。不过，可能还有一个更能考验该研究准确性的方法。研究人员可以把合成的年轻照片和此人在该年龄阶段的真实照片相对比。想要在这个测试中达到高度准确，Antipov 和他的伙伴们可能还有一段路需要走。最后，Antipov和他的伙伴表示，他们的研究成果目前已应用到确认长期（几年）失踪人口的身份上。而且他们认为，把该技术的算法公开之后，这个方法可能还会有更多玩法。via：newgeekers
本文仅代表作者观点，不代表百度立场。系作者授权百家号发表，未经许可不得转载。
百家号 最近更新：
简介: 雷锋网——关注智能与未来！
作者最新文章君，已阅读到文档的结尾了呢~~
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于BP神经网络及其优化算法的汽车车速预测
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口关于BP神经网络的问题，为什么我预测出的数据随时间基本没有变化（年份做输入，人口密度做输出）_百度知道
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。
关于BP神经网络的问题，为什么我预测出的数据随时间基本没有变化（年份做输入，人口密度做输出）
A=[10,40,70,00,30,60,];
B=[55,64,64,73,83,128,174,303,413,523,798,03,,,];
Atest=[10];
Btest=[17908,2...
我有更好的答案
火星双色球预测，也是遗传算法，你可以借鉴一下。
找到原因没，我也遇到这个问题
为您推荐：
其他类似问题
人口密度的相关知识
换一换
回答问题，赢新手礼包