首页 文章

时间序列预测的递归神经网络

提问于
浏览 次
0

我是机器学习的新手，我正在尝试在MATLAB上实现神经网络，以便根据此证券收盘价的过去 Value 预测股票市场证券的下一个未来收盘价 . 现在我迷失了，所以我正在寻找一些比我更了解神经网络的人的指导 .

所以为了做这个预测，我使用MATLAB的原生函数 layrecnet . 我用来训练RNN的输入是给定日期范围（例如2010年1月1日至2015年1月1日）的每日收盘价，而我使用的目标与输入相同，但转移一个单位的时间 .

例如，如果我们有输入：

inputSeries = [0.1 0.2 0.3 0.4 0.5 0.6 0.61 0.62]

然后我使用的目标是：

targetSeries = [0.2 0.3 0.4 0.5 0.6 0.61 0.62 0.63]

一切都从0到1归一化 . 这种方法在我的脑海中是有意义的，因为对于输入中的给定序列，网络将具有该序列的下一个值作为目标 . 虽然根据我在测试数据上获得的结果，网络似乎没有预测任何东西;它只是遵循在测试数据上观察到的相同模式 .

我一直在研究如何实现一个RNN来预测MATLAB上序列的下一个值，尽管没有找到任何可以引导我走上正确道路的东西 . 我使用的方法完全错了吗？我不应该使用简单的RNN吗？我应该使用另一种方法解决这个问题吗？

matlab machine-learning neural-network

1 回答

  • 0

    您的方法似乎很合理，是的RNN适合您的数据（时间序列） . 然而，由于它们具有混乱行为，并且股票市场预测是其中之一（其他包括癫痫发作预测，地震预测，飓风预测......），因此存在相对较小的一组难以预测的问题 . 所以，如果你因为没有取得好成绩而要求，请记住这一点 . 由于您正在使用 MATLAB ，我建议查看 NARXNET （带外部输入的非线性自回归神经网络，https://www.mathworks.com/help/nnet/ref/narxnet.html） . 这些类似于类固醇的递归神经网络 . 您想最初以开环形式训练，然后以闭环形式重新训练 . 这是一个有用的链接，讨论开放/闭环形式：
    https://www.mathworks.com/matlabcentral/answers/310535-narxnet-closed-loop-vs-open-loop . 希望这可以帮助 . 这里有一些代码可以帮助您入门 .

    function a = myNARXNET(in, out)

X = tonndata(in,false,false);
T = tonndata(out,false,false);

trainFcn = 'trainlm';  % Levenberg-Marquardt backpropagation.

inputDelays = 1:2;
feedbackDelays = 1:2;
hiddenLayerSize = [10,10,10];

net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize,'open',trainFcn);

net.layers{1}.transferFcn = 'radbasn';
net.layers{2}.transferFcn = 'tansig';
net.layers{3}.transferFcn = 'tansig';

net.inputs{1}.processFcns = {'mapminmax','mapstd'};
net.inputs{2}.processFcns = {'mapminmax','mapstd'};

[x,xi,ai,t] = preparets(net,X,{},T);

net.trainParam.max_fail = 10;
net.trainParam.goal = 1e-10;

net.performParam.regularization = 0.5;

net.trainParam.epochs = 1000;
net.trainParam.min_grad = 1e-10;

net.divideFcn = 'dividerand';  % Divide data randomly
net.divideMode = 'time';  % Divide up every sample

net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

net.performFcn = 'mse';  % Mean Squared Error

net.plotFcns = {'plotperform','plottrainstate', 'ploterrhist', ...
    'plotregression', 'plotresponse', 'ploterrcorr', 'plotinerrcorr'};

% Train the Network
[net,tr] = train(net,x,t,xi,ai);
y = net(x,xi,ai);
e = gsubtract(t,y);
performance = perform(net,t,y);

%Switch the network to closed loop form and retrain
net = closeloop(net);
[x,xi,ai,t] = preparets(net,X,{},T);
[net,t] = train(net,x,t,xi,ai);
y = net(x,xi,ai);
a = net;    

end
    回复于

相关问题