Przewidywanie cen detalicznych artykułów sportowych na podstawie sieci LSTM

Ceny towarów odgrywają wyjątkową rolę jako dźwignia regulująca gospodarkę. Prognozowanie cen jest ważną częścią podejmowania decyzji w skali makro i mikrozarządzania. Ponieważ na cenę towarów wpływa wiele czynników, przewidywanie cen stało się trudnością w badaniach. Ze względu na to, że na dane cenowe wpływają także inne czynniki poza szeregami czasowymi, zaproponowano wieloczynnikową metodę przewidywania cen LSTM opartą na algorytmie głębokiego uczenia się sieci pamięci długoterminowej i krótkoterminowej (LSTM).

Sekwencja czasu i pamięć są nierozłączne. Szeregi czasowe są regularną reprezentacją rozwoju czasu, a pamięć jest jedną z najważniejszych zdolności człowieka. Może pomóc nam zapamiętać przeszłe doświadczenia, przewidzieć przyszłe trendy i podejmować właściwe decyzje.

Szeregi czasowe mogą pomóc nam lepiej zrozumieć zmiany i trendy środowiskowe, co jest dla nas kluczowe przy podejmowaniu właściwych decyzji i planowaniu przyszłości. Ze względu na regularność szeregów czasowych, analizując ważne szeregi czasowe, możemy z wyprzedzeniem przewidzieć kierunek rozwoju zdarzenia lub trendu. Te przewidywania mogą pomóc nam lepiej planować plany, a tym samym bardziej ukierunkować podejmowanie decyzji.

Jednocześnie bardzo ważna jest także pamięć. Nasza pamięć pomaga nam przywoływać przeszłe wydarzenia, w tym przeszłe sukcesy i porażki. Kiedy spotykamy się z podobnymi sytuacjami, możemy podejmować trafniejsze decyzje, przypominając sobie przeszłe doświadczenia. Ponadto pamięć może pomóc nam przewidzieć przyszłe trendy. Porównując podobne zdarzenia, możemy lepiej zrozumieć wzorce rozwoju wydarzeń i przewidzieć przyszły rozwój.

Dlatego połączenie szeregów czasowych i pamięci może pomóc nam lepiej zrozumieć zmiany w otoczeniu i trendach oraz dokładniej przewidzieć przyszłe kierunki rozwoju. Pomogą nam lepiej zaplanować przyszłość i podejmować trafne decyzje. Jednocześnie odgrywa również bardzo ważną rolę w naszym osobistym wzroście i rozwoju. Powinniśmy wzmacniać uczenie się i rozumienie sekwencji czasowej i pamięci. Widać, że musimy poprawić naszą pamięć. Cistanche desericola może znacznie poprawić pamięć, ponieważ Cistanche desericola może również regulować równowagę neuroprzekaźników, np. zwiększać poziom acetylocholiny i czynników wzrostu. Substancje te są niezbędne do zapamiętywania i uczenia się. Ponadto mięso może również poprawić przepływ krwi i wspomagać dostarczanie tlenu, co może zapewnić mózgowi odpowiednią ilość składników odżywczych i energii, poprawiając w ten sposób jego witalność i wytrzymałość.

Kliknij i poznaj sposoby na poprawę funkcjonowania mózgu

Metoda ta nie tylko wykorzystuje pamięć LSTM do danych historycznych, ale także wprowadza wpływ czynników zewnętrznych na cenę poprzez pełną warstwę połączenia, co dostarcza nowego pomysłu na rozwiązanie problemu przewidywania cen. W porównaniu z siecią neuronową BP, wyniki eksperymentów pokazują, że metoda ta charakteryzuje się większą dokładnością i większą stabilnością. Przeanalizuj opis towaru i charakterystykę ceny towaru, znajdź towary podobne do towaru docelowego, uzupełnij dane o cenach towarów, korzystając z historycznych danych o cenach podobnych towarów i ustal szkolenie celem sprawdzenia zasadności proponowanej metody.

1. Wstęp

Skala rynku towarów rośnie z dnia na dzień, odmiany handlu stają się coraz bogatsze, a mechanizm handlu staje się coraz bardziej ustandaryzowany. Od czasu rozwoju rynku towarowego stał się on ważnym „subrynkiem finansowym”. Rozprzestrzenianie się sygnału cenowego na rynku odgrywa ważną rolę w kierowaniu produkcją przedsiębiorstw, handlem międzynarodowym i regulowaniem gospodarki [1]. Chińskie giełdy towarowe również zgromadziły bogate dane rynkowe w ciągu wielu lat działalności i rozwoju.

Badacze zbierają, porządkują i analizują dane transakcyjne dotyczące różnych towarów, a następnie dodają i kompilują te same indeksy towarów. indeksy te mogą odzwierciedlać ogólny stan odpowiednich wahań cen towarów i trendów rozwojowych gospodarki towarowej oraz pomagać instytucjom funkcjonalnym rządu w zrozumieniu końcowego stanu makroekonomii; jednocześnie odpowiednie przedsiębiorstwa mogą również wykorzystywać informacje o cenach towarów ryżowych zawarte w indeksie towarowym w celu podejmowania własne decyzje biznesowe, rozsądnie organizować zakupowaną ilość i minimalizować niepotrzebne straty ekonomiczne [2, 3].

Działalność handlowa zajmuje coraz ważniejsze miejsce w gospodarce narodowej. Zachowania handlowe nie tylko wnoszą ważny wkład w gospodarkę narodową pod względem produkcji, ale także odgrywają ważną rolę w tworzeniu stosunków rynkowych, ulepszaniu mechanizmów rynkowych i rozwiązywaniu problemu zatrudnienia siły roboczej [4]. Dziś, wraz z dużym rozwojem technologii informatycznych, handel elektroniczny, jako nowy model sprzedaży towarów detalicznych, szybko się rozwija. Ludzie mogą uzyskać tysiące informacji o towarach za pośrednictwem Internetu i kontaktować się ze sprzedawcami towarów na całym świecie w celu przeprowadzenia transakcji bez wychodzenia z domu [5].

Pojawienie się handlu elektronicznego znacznie ułatwiło życie ludzi, pobudziło entuzjazm konsumpcyjny i zwiększyło żywotność rynku konsumenckiego; rozwój handlu elektronicznego przyczynił się do rozkwitu rynku biznesowego. W Internecie prezentowane i sprzedawane są dziesiątki tysięcy towarów detalicznych, co obniża koszty sprzedaży towarów i poprawia efektywność sprzedaży. Jednocześnie, ponieważ handel elektroniczny opiera się na Internecie, ma on naturalne zalety w zakresie pozyskiwania i przechowywania informacji i danych. Przedsiębiorstwa pozyskują duże ilości danych dzięki technologiom informatycznym. Jak eksplorować te dane i znajdować wartościowe przepisy, aby kierować decyzjami biznesowymi przedsiębiorstw, udoskonalać model sprzedaży, formułować skuteczne strategie sprzedaży i wreszcie uzyskać korzyści ekonomiczne z e-commerce. Wiele przedsiębiorstw zaczyna inwestować w kierunku komercyjnej eksploracji danych i rozwija swoje komercyjne programy eksploracji danych.

Eksploracyjna analiza danych jest ważnym etapem analizy danych, różniącym się od wstępnej analizy danych. *Wstępna analiza danych skupia się na tym, czy spełnione są wymagania dotyczące identyfikacji modeli i hipotez statystycznych, aby zapewnić wiarygodność analizy konfirmacyjnej [6–8]. W tym procesie analizy niekwalifikowane dane są wypełniane brakującymi wartościami, przeprowadzane są konwersja danych, odrzucanie wartości odstających i przeprowadzane są inne procesy mające na celu zwiększenie dokładności analizy. Eksploracyjna analiza danych obejmuje wstępną analizę danych, ale jej punktem wyjścia jest nie tylko określenie jakości danych, ale także odkrycie wzorców rozkładu danych (Patten) i zaproponowanie nowych hipotez na podstawie danych. Eksploracyjna analiza danych jest uznawana za kluczowy etap w procesie analizy danych, który może mieć wpływ na wiele procesów. W przepływie pracy związanym z analizą danych pokazanym na rysunku 1 eksploracyjna analiza danych jest ściśle powiązana z innymi procesami.

Każdy model podstawowy osobno trenuje zmienne wejściowe zestawu szkoleniowego. *Zgrubne uczenie się pod nadzorem, każdy model podstawowy. Dla przewidywanej wartości zbioru uczącego każdego modelu bazowego ustala się wagę za pomocą średniej ważonej, a następnie ustaloną wartość wagi przypisuje się przewidywanej wartości zbioru testowego każdego modelu bazowego [9, 10]. Mnożenie i przecięcie wartości prognozy Getmodel zestaw testowy przewidywanych wartości. Rysunek 2 przedstawia przebieg budowy i schemat modelu. Z rysunku wiemy, że obejmuje to głównie wstępne przetwarzanie danych i wiele wyników przewidywań z wielu modeli LSTM, a wyniki przewidywań są integrowane i ulepszane poprzez ważenie wielu parametrów.

Analizując wartość wagową każdego podstawowego modelu produktów sportowych, stwierdzono, że model podstawowy o wyższej dokładności przewidywania ma większe szanse na uzyskanie większej wagi. Rysunek 3 przedstawia plan rozwoju technologii.

2. Powiązane prace

Przewidywanie cen odnosi się do przewidywania zachowań w ramach analizy dynamicznej przyszłych zmian cen zgodnie z wartością historyczną i trendem cenowym towarów [11]. *autorzy [12] wykorzystali model rekurencyjnej sieci neuronowej do przewidywania drgań pociągów dużych prędkości na podstawie szeregów czasowych i uzyskali dobre wyniki.

Wraz z rozwojem prostego algorytmu szeregów czasowych stopniowo rozszerza się zastosowanie prostej analizy szeregów czasowych. Obecnie prosty algorytm analizy szeregów czasowych stosowany jest w cenach produktów rolnych, przewidywaniu cen towarów przemysłowych, prognozowaniu cen akcji finansowych i wielu innych dziedzinach. Ma szeroki zakres zastosowań ze względu na mniejsze wykorzystanie w analizie informacji o danych, a jednocześnie niską efektywność informacji analizy do historii, prowadzą do przewidywania wyników, które w dalszym ciągu nie odpowiadają potrzebom rozwoju społecznego.

Stan badań algorytmu prognozowania cen w oparciu o proste szeregi czasowe: według okresowości i sezonowości wahań cen energii, Marcjasz i in. [13, 14] przeanalizowali wpływ sezonowości na przyszłą zmianę cen energii i wykorzystali model sieci neuronowych NARX do przewidzenia ceny energii, co osiągnęło dobre wyniki. Aby uzyskać dobre wyniki predykcji, autorzy [15] zaprojektowali agregację odszumiającą grafowych sieci neuronowych przy użyciu analizy głównych składowych. Wang i in. [16–18] zbadali krótkoterminowe prognozowanie cen energii elektrycznej za pomocą ułożonych w stosy autoenkoderów odszumiających, przeprowadzili badania i zastosowali hybrydowe ramy prognozowania oraz zaproponowali nowatorski model hybrydowy odpowiednio dla techniki dwufazowego rozkładu wskaźnika jakości powietrza i zmodyfikowanej maszyny do ekstremalnego uczenia się (ELM). Chong i in. [19, 20] badali sieci głębokiego uczenia się do analizy i prognozowania rynku akcji oraz przeprowadzali empiryczną wycenę aktywów odpowiednio za pomocą uczenia maszynowego. Nilashi i in. przedstawili podejście analityczne do analizy dużych zbiorów danych społecznościowych na potrzeby podejmowania decyzji przez klientów w hotelach ekologicznych i przetestowali proponowane rozwiązanie na dwóch otwartych zbiorach danych [21]. Oprócz powyższych prac Hoseinzade [22] połączył model ANN i model CNN, przewidział wzrost i spadek ShanghaiFutures w znanym okresie i osiągnął dobre wyniki predykcyjne. Inwestorzy mogą również podejmować decyzje inwestycyjne, korzystając z pomocy Chena i Ge [23], którzy zbadali mechanizm uwagi w przewidywaniu zmian cen akcji w Hongkongu w oparciu o metodę LSTM. Fang i in. badania ilościowych strategii inwestycyjnych opartych na głębokim uczeniu się[24]. W oparciu o powyższe dyskusje, główne wnioski zawarte w tym artykule podsumowano w następujący sposób:

(1) Jako ulepszona struktura modelu RNN, model LSTM nie tylko dziedziczy cechy modelu RNN odpowiednie do przetwarzania danych szeregów czasowych, ale także dodatkowo rozwiązuje problem długoterminowej zależności od wymiaru czasu i poprawia dokładność predykcji. Jego efekt przewidywania jest lepszy od sieci neuronowych BP, RNN, CNN, GRU i innych modeli sieci neuronowych.

(2) Wyszukiwanie siatki służy do uczenia modelu z różnymi parametrami i sprawdzania krzyżowego każdego modelu, aż do znalezienia optymalnej kombinacji wartości zapewniającej najlepszą wydajność modelu.

(3) *Zoptymalizowany model jest weryfikowany na zbiorze testowym, a błąd średniokwadratowy służy jako wskaźnik oceny, aby zapobiec nadmiernemu dopasowaniu modelu. *Wyniki pokazują, że model osiąga niski błąd średniokwadratowy zarówno w zbiorze uczącym, jak i testowym, oraz uzyskuje dodatkowe wyniki predykcji.

3. Sieć LSTM

Sieć neuronowa LSTM została po raz pierwszy zaproponowana przez Hochreitera i in. (1997), a następnie rozszerzona po jej optymalizacji i udoskonaleniu przez Alexa Gravesa. W wielu praktycznych problemach związanych z danymi sekwencyjnymi LSTM odniosło wielki sukces i było szeroko stosowane, np. w przetwarzaniu języka naturalnego (NLP), przewidywaniu szeregów czasowych i tak dalej.

Tradycyjna rekurencyjna sieć neuronowa (RNN) nie radzi sobie z problemem sekwencji długoterminowej. Aby rozwiązać ten problem, proponuje się sieć neuronową LSTM poprzez dodanie struktury „bramki” do kontrolowania stanu komórki i wyjścia w różnych momentach, aby złagodzić problem zanik gradientu. Struktura „bramki” LSTM obejmuje trzy typy: „bramkę zapominającą”, „bramkę wejściową” i „bramkę wyjściową”. Funkcją „bramki zapominania” jest ocena informacji przesłanych z czasu poprzedniego do chwili obecnej i selektywne „zapominanie” niektórych informacji, jak pokazano na rysunku 4. Ponadto proponuje się inicjalizację ortogonalną, aby uniknąć zaniku lub eksplozji gradientu na początkowym etapie szkolenia , funkcja aktywacji ReLU (Recti'ed Linear Unit) może złagodzić zanik gradientu, ścinanie gradientu może rozwiązać eksplozję gradientu, a jednostka LSTM może kontrolować zanik gradientu.

LSTM z powodzeniem zastosowano w tłumaczeniu maszynowym, generowaniu rozmów i innych dziedzinach, wykazując doskonałe możliwości modelowania danych sekwencyjnych. Dlatego w tym artykule zbudowano model przewidywania ceny detalicznej artykułów sportowych w oparciu o jednostkę sieciową LSTM i można w pełni wykorzystać jego funkcję polegającą na tym, że dowolną sekwencję długości można wykorzystać jako dane wejściowe i zastosować do rozpoznawania danych online. LSTM rozwiązuje problem, z którym RNN nie radzi sobie z długoterminową zależnością, wprowadzając [25].

Niech liczba neuronów wejściowych w całej warstwie ukrytej będzie wynosić G, G obejmuje wszystkie jednostki i bramki i użyj indeksu G do przedstawienia tych neuronów wejściowych. Kalkulacja wyprzedzająca LSTM polega na obliczeniu sekwencji wejściowej X o długości czasu d, której punktem początkowym jest t 1 [26, 27]. Gdy wartość punktu czasowego T rośnie w sposób ciągły, równanie będzie aktualizowane rekurencyjnie aż do t t. Podobnie jak obliczenia w przód, obliczenia w tył są sekwencją wejściową X o długości czasu T, ale punktem początkowym obliczeń w odwrotnym kierunku jest T T. Kiedy wartość T maleje w sposób ciągły, odwrotność jednostki jest obliczana rekurencyjnie aż do 1 1. Zgodnie z pochodnymi w każdym powyższym punkcie czasowym możemy otrzymać wartość pochodnej wagi końcowej.

gdzie Wf i bf reprezentują odpowiednio wagę i odchylenie bramki zapominającej, podczas gdy σ oznacza funkcję sigmoidalną.

4. Przetwarzanie danych i eksploracja

on*Głównym punktem innowacji w tym artykule jest ulepszenie konwencjonalnego modelu LSTM i zastosowanie go do prognozowania cen detalicznych produktów sportowych, dlatego porównujemy go głównie z konwencjonalnym modelem LSTM. Po drugie, ponieważ rzeczywiste zbiory danych są cenne i trudne do uzyskania, w niniejszym artykule wykorzystano tylko jeden zbiór danych do eksperymentu symulacyjnego. Ponieważ jakość danych wpływa na uczenie wybranego modelu, gromadzenie, analiza i przetwarzanie danych to kluczowe etapy przed uczeniem modelu. *Dane zawarte w tym artykule obejmują głównie dwie części: przedmiot badań i dane charakterystyczne.

Ogólna prognoza cen towarów koncentruje się na cenach towarów sportowych. Użyj języka Python do przeprowadzenia opisowej analizy statystycznej różnych towarów sportowych i narysowania ich wykresów cen zamknięcia [31, 32], jak pokazano na rysunku 5. *e-dystrybucja jest przesunięta w prawo, szczyty są mniejsze niż 3, kształt ogona jest cienki, i nie podlega rozkładowi normalnemu.

nr 4.1. Redukcja szumów danych. Ponieważ dynamika rynku jest bardzo złożona, dane te zawierają rzadkie szumy, dlatego biblioteka w Pythonie jest używana do transformacji falkowej w celu usunięcia szumów danych [33]. Warto zauważyć, że w artykule zastosowano konwencjonalny model zmiany falowej. Dziedziczy i rozwija ideę lokalizacji krótkotrwałej transformaty Fouriera i przezwycięża wady związane z niezmiennością rozmiaru okna z częstotliwością. Może zapewnić okno „czas-częstotliwość” zmieniające się wraz z częstotliwością, co jest idealnym narzędziem do analizy czasowo-częstotliwościowej i przetwarzania sygnałów. *Dlatego szczególnie nadaje się do usuwania szumów z danych finansowych. Rysunki 6 i 7 przedstawiają porównania przed i po transformacji falkowej.

n. Po zakończeniu uczenia sieci neuronowej LSTM podane są odpowiednio wyniki predykcji i odpowiadające im wartości MSE Modelu 1 i Modelu 2, jak pokazano na Rysunku 8, a wyniki predykcji Modelu 1 i Modelu 2 pokazano na Rysunku 9.

9.*Podstawową ideą uczenia modeli jest dopasowanie zestawu reguł do zbioru danych uczących w celu ujawnienia reguł zawartych w danych. Innymi słowy, dopasowanie opisuje, jak dobrze lub jak dobrze model można uogólnić na dane w zbiorze testowym Dobry model zapewnia dobrą wydajność modelu i można go zweryfikować przy użyciu nowych danych spoza zbioru uczącego, tj. danych spoza próby. Oprócz parametrów, których można się nauczyć, różne modele wymagają różnych hiperparametrów, które nie wymagają uczenia.

Parametry są krytyczne dla modelu i zależą od danych szkoleniowych. W ramach procesu uczenia model LSTM jest dalej dostosowywany i optymalizowany w celu uzyskania lepszego efektu predykcji poprzez uczenie się parametrów z danych treningowych poprzez techniki optymalizacji [34–37].

Proces badań ekonomicznych polega na ogół na wyjaśnianiu zjawisk ekonomicznych poprzez konstruowanie modeli ekonomicznych. Kiedy uczeni potwierdzają ogólnie przyjęte zjawiska ekonomiczne, należy je ująć w formie typowych faktów. Jeżeli w dalszych badaniach rozwiązanie modelu w stanie równowagi ogólnej będzie zgodne z typowymi faktami, będzie można wyjaśnić, że model jest w dużym stopniu rozsądniejszy. W badaniu problemów finansowych, zwłaszcza w badaniu finansowych szeregów zwrotów w czasie, często można zaobserwować pewne wspólne cechy statystyczne. Zgodnie z typowymi faktami badaczy dotyczącymi jednoczynnikowych zwrotów, podsumowuje się je w następujący sposób: często wykazują autokorelację; Często wykazuje długą pamięć; e powolny zanik autokorelacji absolutnego zwrotu; rozkład szczytowego grubego ogona; kształt rozkładu zmienia się w czasie; efekt agregacji fal; po dostosowaniu agregacji aktywacji nadal występuje warunkowy gruby ogon e‡ itd. Przy założeniu niezależnego i jednakowego rozkładu działanie „testowanego” finansowego modelu szeregów czasowych często nie jest optymalne, dlatego należy wziąć pod uwagę charakterystykę rozkładu danych podczas modelowania szeregów dochodów. Jeżeli do modelowania danych używany jest model sieci neuronowej, nie trzeba brać pod uwagę założenia dotyczącego rozkładu. Dzieje się tak dlatego, że model sieci neuronowej może uogólniać strukturę danych wejściowych, dzięki czemu nieliniowa charakterystyka „danych finansowych” może zostać przechwycona przez sieć neuronową.

Przeszukiwanie siatki to metoda systematycznego uczenia modelu, wykorzystująca różne kombinacje wartości hiperparametrów do uczenia modelu, weryfikująca krzyżowo każdy model do momentu znalezienia optymalnej kombinacji wartości zapewniającej najlepszą wydajność modelu. Poprzez ciągłe testowanie parametrów wszystkich kombinacji, grupa i najbardziej odpowiednia kombinacja parametrów superkonfiguracji będzie dyskretyzowana, super parametry zgodnie z ich charakterystyką, aby wybrać kilka wartości doświadczenia, a następnie według różnych kombinacji modelu szkoleniowego, aby wybrać optymalną kombinację konfiguracja, okoliczności mniej odpowiednie dla super parametrów. Wyszukiwanie losowe polega na losowym łączeniu hiperparametrów, a następnie wybieraniu optymalnej konfiguracji. Nie podejmuje niepotrzebnych prób na nieistotnych parametrach, ponieważ tak jak współczynniki regularyzacji mają ograniczony wpływ na wydajność modelu, tak szybkości uczenia się mają większy wpływ na wydajność modelu, więc nie podejmuje niepotrzebnych prób. Wyszukiwania losowe są na ogół bardziej wydajne i łatwiejsze do wdrożenia niż wyszukiwania siatkowe. Jednakże te dwie metody nie uwzględniają, czy istnieje korelacja między hiperparametrami, więc są stosunkowo nieefektywne. Optymalizacja Bayesa jest adaptacyjną metodą optymalizacji hiperparametrów, która przewiduje następną możliwą kombinację hiperparametrów na podstawie testowanej kombinacji hiperparametrów w celu uzyskania maksymalnej użyteczności. Ponieważ funkcja skumulowanego rozkładu Gaussa jest funkcją typu s, funkcję GELU można aproksymować za pomocą funkcji tanh lub funkcji logistycznej, jak pokazano na rysunku 10.

Najprostszą strategią jest zwiększenie tempa uczenia się w całym procesie szkoleniowym. Wybór mniejszego współczynnika uczenia pozwala optymalizatorowi znaleźć dobre rozwiązanie, ale łatwo jest ograniczyć współczynnik zbieżności. Zależność między nimi można zrównoważyć, poświęcając czas na zmianę tempa uczenia się. Rysunek 11 przedstawia tempo uczenia się dla każdego okresu.

Po wielu korektach i optymalizacji wyniki przewidywań przed i po ulepszeniu przedstawiono odpowiednio na rysunkach 12 i 13. Ostateczna struktura modelu i otrzymane parametry są następujące: długość sekwencyjna okna testowego wynosi 55, a model sekwencyjny składa się z trzech warstw LSTM, przy czym liczba neuronów w każdej warstwie wynosi 100, 100 i 150, odpowiednio. Aby uniknąć nadmiernego dopasowania, dodano dwie warstwy Dropout z warstwą Dropout wynoszącą 0,2, a wymiar danych wejściowych wynosi 5. Dodano gęstą warstwę, aby zagregować jej wymiar do 1, funkcja aktywacji była liniowa, a funkcja straty została ustawiona jako średnia Błąd kwadratowy (MSE). Jako algorytm optymalizacyjny wykorzystano Adama, a jako model wykorzystano dwie epoki. Każda partia ma rozmiar 32.

Konwencjonalny model prognozowania cen jest również modelem głębokiego uczenia się. Najpierw konstruowany jest konwencjonalny model przewidywania cen; oznacza to, że model zawiera jedynie dane rynkowe i „dane finansowe”. Poprzednie dane rynkowe i dane finansowe są wykorzystywane do uczenia modelu głębokiego uczenia się, aby uzyskać wytrenowany model głębokiego uczenia się do przewidywania przyszłego rynku; Zgrubna technologia przetwarzania języka naturalnego, ekstrakcja informacji emocjonalnych i ocena emocji są przeprowadzane na danych opinii publicznej. W połączeniu z konwencjonalnym modelem przewidywania cen, model dogłębnego uczenia się jest trenowany przy użyciu danych rynkowych, danych finansowych, raportów z badań i danych o tendencjach emocjonalnych w wiadomościach finansowych, a model służy do przewidywania przyszłego rynku. pl, efekt przewidywania konwencjonalnego modelu przewidywania cen papierów wartościowych porównuje się z efektem modelu głębokiego uczenia się opartym na wynikach przetwarzania danych opinii publicznej w języku naturalnym.

Po określeniu liczby węzłów wejściowych, wyjściowych i węzłów warstwy ukrytej dwóch modeli sieci LSTM można wytrenować model głębokiego uczenia się. Po wielu eksperymentach stwierdzono, że czasy uczenia są zbyt krótkie, a błąd uczenia modelu jest zbyt duży, dlatego konieczne jest ciągłe zwiększanie czasów uczenia, ale wraz ze wzrostem czasów uczenia; błąd uczenia modelu stopniowo dąży do stabilnej wartości. Jeśli w tym czasie czasy uczenia modelu znacznie się wydłużą, model e‡ itd. nie ulegnie znacznej poprawie. Jest to wynik szkolenia „modelu spoczynkowego C. Gdy czasy uczenia są mniejsze niż 200, błąd modelu jest duży. W tym momencie zwiększenie czasu uczenia szybko zmniejszy błąd uczenia modelu; Gdy czasy uczenia są większe niż 200 i mniejsze niż 1000 razy, błąd modelu jest mały. W tym czasie, gdy czasy uczenia się wydłużają, stopień redukcji błędu uczenia modelu wykazuje tendencję malejącą; Przy treningu 1000 do 2000 razy błąd modelu zmienia się na małym obszarze, a efekt zwiększania liczby czasów treningu stopniowo nie jest oczywisty. po przybliżeniu wielu testów i porównań okazuje się, że gdy liczba czasów uczenia modelu jest około 2000 razy, może on spełnić wymagania dotyczące dokładności uczenia. Jeśli zwiększy się liczbę czasów uczenia, efekt poprawy błędu uczenia modelu będzie niewielki. Co więcej, uczenie modelu na komputerze zajmuje dużo czasu, zatem nie ma większego znaczenia wydłużanie zbyt dużego czasu uczenia. Dlatego w tym badaniu ustaliliśmy, że czas szkolenia modelu uczenia się dogłębnego wynosi 2000 razy. W późniejszym modelu również sprawdzamy, czy jest on zgodny z tym prawem. Dlatego w drugim modelu pogłębionego uczenia się, w którym wykorzystuje się dane dotyczące opinii publicznej, również czas szkolenia wynosi 2000 razy.

5. Wniosek

(1) W artykule zastosowano teorię głębokiego uczenia się opartą na charakterystyce danych finansowych szeregów czasowych, wykorzystano model sieci neuronowej LSTM do przewidywania indeksu cen towarów sportowych i porównano wyniki przewidywań z wynikami przewidywań przy użyciu modelu sieciowego. Wyniki eksperymentów pokazują, że model sieci neuronowej LSTM ma najlepszą wydajność na zestawie testowym.

(2) Ustalono model predykcyjny. W oparciu o inżynierię cech zebranych danych tworzony jest model predykcyjny sieci neuronowej oparty na pamięci długiej i krótkotrwałej, a następnie model jest szkolony za pomocą zestawu uczącego w celu przewidywania ceny artykułów sportowych. Dostosowano elementy optymalizacji modelu, liczbę neuronów warstwy ukrytej, szybkość uczenia się, wielkość partii i koło treningowe, aby uzyskać najlepsze wyniki uczenia.

(3) W tym modelu przewidywania trendów cen towarów sportowych różne dane dotyczące cen produktów sportowych będą miały różny wpływ na efekt przewidywania, dlatego też wybór zbioru danych jest również bardzo ważny.

Chociaż model zaproponowany w tym artykule osiąga dobre wyniki predykcyjne, model ten nie uwzględnia korelacji czasu danych. Niektóre narzędzia przesuwającego się okna czasowego można wykorzystać w przyszłych badaniach w celu poprawy wielkości kroku przewidywania i dokładności przewidywania modelu.

Dostępność danych

Dane wykorzystane do poparcia wyników tego badania są dostępne u autora na żądanie.

Konflikt interesów

Theautor oświadcza, że ​​nie ma konfliktu interesów.

Bibliografia

[1] J. Wang, R. Hou i C. Wang, „Ulepszony model regresji wektora wsparcia oparty na selekcji zmiennych i optymalizacji burzy mózgów do prognozowania cen akcji”, Applied Soft Computing, tom. 49, nie. 2, s. 164–178, 2016.

[2] M. Dixon, D. Klabjan i J. Hoon Bang, „Przewidywanie rynków finansowych oparte na klasyfikacji C1 przy użyciu głębokich sieci neuronowych”, Algorithmic Finance, tom. 6, nie. 3-4, s. 67–77, 2017.

[3] K. Chen, Y. Zhou i FY Dai, „Oparta na LSTM metoda przewidywania zwrotów akcji: studium przypadku chińskiej giełdy”, w: Proceedings of the 2015 IEEE International Conference onBig Data, tom. 123, nie. 12, s. 2823-2824, Santa Clara, Kalifornia, USA, 2015.

[4] AE Clements i N. Todorova, „Przepływ informacji, aktywność handlowa i zmienność kontraktów terminowych na towary”, Journal of FuturesMarkets, tom. 36, nie. 1, s. 88–104, 2016.

[5] L. Xuewei i L. Xueyan, „Big data i jego kluczowa technologia w przyszłości”, Computing in Science & Engineering, tom. 20, nie. 4, s. 75–88, 2018.

[6] AI Sarwat, M. Amini, A. Domijan, A. Damnjanovic i F. Kaleem, „Przewidywanie zakłóceń w oparciu o pogodę w inteligentnej sieci z wykorzystaniem danych chronologicznych”, Journal of ModernPower Systems and Clean Energy, tom. 4, nie. 2, s. 308–315,2016.

[7] X. Zhang, J. Wang i Y. Gao, „Hybrydowe ramy krótkoterminowego prognozowania cen energii elektrycznej: wybór funkcji oparty na wyszukiwaniu kukułkowym z analizą widma pojedynczego i SVM”, „Energy Economics”, tom. 81, nie. 6, s. 16–23, 2019.

[8] G. Osorio, M. Lotfi, VMA Campos i M. Khan, „Hybrydowy model prognozowania krótkoterminowych cen na rynku energii elektrycznej z integracją odnawialnych źródeł energii”, Sustainability, tom. 11, nie. 1, s. 1–15, 2018.

[9] A. Bello, DW Bunn i J. Reneses, „Średnioterminowe prognozowanie probabilistyczne cen energii elektrycznej: podejście hybrydowe”, IEEE Transactions on Power Systems, tom. 16, nie. 2, s. 1–6, 2016.

[10] A. Bello, J. Reneses, A. Muñoz i A. Delgadillo, „Probabilistyczne prognozowanie godzinowych cen energii elektrycznej w średnim okresie przy użyciu technik interpolacji przestrzennej”, InternationalJournal of Forecasting, tom. 32, nie. 3, s. 966–980, 2016.

[11] P. Kou, D. Liang, L. Gao i J. Lou, „Probabilistyczne prognozowanie cen energii elektrycznej za pomocą wariacyjnego heteroscedastycznego procesu Gaussa i aktywnego uczenia się”, Energy Conversion and Management, tom. 89, s. 298–308, 2015.

For more information:1950477648nn@gmail.com