知识卡片
股价预测中的序列与窗口缩放
用 GRU 预测道琼斯工业平均指数(DJIA)时,把序列转成多对一样本:以 T=10 的窗口输入过去 10 天收盘价,输出次日价格,再按 70%/30% 划分训练测试。不同于手动构造移动平均等特征的传统方法,RNN 自行学习时序关系。缩放是关键预处理:股票没有可靠的 x_max/x_min,不能直接套用最大最小缩放,于是把每个窗口内的价格都除以窗口内最近的已知价格,将绝对值转为相对值。模型较简单,仅一个 256 单元 GRU 层接 Dense(1),用 RMSprop 最小化均方误差,并借 TensorBoard、提前停止与检查点训练。门控机制见[[GRU的复位门与更新门]]。文中强调该项目仅作演示而非实盘交易。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 循环神经网络 用于股价预测的 GRU RNN · 查看原书依据
但是,没有可靠的方法来预测股票的x_max(或x_min。 这与已知最小值和最大值(例如,图像预测中的 0 和 255)的情况不同。 为了解决这个问题,我们将每个窗口内的价格标准化。 我们只需将时间窗口中的每个价格除以最近的已知价格即可。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第06章《循环神经网络》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/11.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明因无法预知极值而改用窗口内相对缩放,支撑股价预测需逐窗标准化再喂入 GRU 的结论。
- 原始内容:但是,没有可靠的方法来预测股票的x_max(或x_min。 这与已知最小值和最大值(例如,图像预测中的 0 和 255)的情况不同。 为了解决这个问题,我们将每个窗口内的价格标准化。 我们只需将时间窗口中的每个价格除以最近的已知价格即可。