1 votos

Efecto de la selección de características en el perceptrón multicapa profundo para aplicaciones financieras

Estoy tratando de construir un sistema de aprendizaje automático para la predicción de precios financieros. Estoy utilizando un MLP de 3 capas (una red profunda) con 3 salidas (comprar, mantener, vender).

Estoy utilizando diferentes características como el precio y el volumen. Para tener en cuenta el comportamiento pasado, concateno los datos de precio y volumen en un vector. La primera parte del vector es la tasa de retorno de los últimos N, la segunda parte es el volumen de las últimas N transacciones.

El resultado es un vector de entrada grande (>50). Me pregunto si los malos resultados que obtengo están relacionados con la selección actual del vector de entrada.

¿Alguna ayuda al respecto?

Gracias. Guy

1voto

John Fouhy Puntos 14700

El vector de entrada de 50 elementos es realmente pequeño. Por ejemplo, en este tutorial el tamaño del vector de entrada es de 784 (parámetro 'nvis'). Así que tu problema está en otra parte.

Yo recomendaría empezar por tomar estos dos cursos sobre Coursera :

  • Redes neuronales para el aprendizaje automático
  • Aprendizaje automático

Le proporcionarán algunas orientaciones prácticas sobre cómo abordar su problema.

0voto

Mike Trader Puntos 1836

Puedes echar un vistazo a este documento: Yifeng Li, Chih-Yu Chen, Wyeth W. Wasserman: Deep Feature Selection: Theory and Application to Identify Enhancers and Promoters. RECOMB 2015: 205-217. Las características de entrada se pueden seleccionar en la red neuronal profunda mediante este modelo de selección de características profundas / deep lasso.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X