فقط نوسان ساز میانگین متحرک (OSMA) و RSI را از پست یاد گرفت. RSI یک شاخص مفید از روند و حرکت است. با الهام از این ، من می خواهم سعی کنم از آن به عنوان ویژگی یادگیری ماشین استفاده کنم تا بازده سهام آینده را پیش بینی کنم.

محاسبه RSI و OSMA آن

استحکام نسبی (RS) و نشانگر مقاومت نسبی (RSI) را می توان از میانگین متحرک (MA) از اختلاف قیمت مثبت تاریخی (٪) که بر اساس اختلاف قیمت منفی (٪) تقسیم می شود ، محاسبه کرد.

rs = (ma از اختلاف مثبت) / (کارشناسی ارشد اختلاف منفی)

RSI = 100-100/(1+RS)

در اینجا کد جولیا محاسبه است. ما از زمان های بسته بندی جولیا استفاده می کنیم.

• درصدچ (Price_ts) تابعی برای محاسبه اختلاف قیمت در ٪ از قیمت LAG-1 است.
• سری زمانی "بالا" و "پایین" اختلاف مثبت (٪) و اختلاف قیمت منفی (٪) است که با تعیین مقدار علامت مخالف 0 ایجاد می شود.
• up_roll و down_roll میانگین حرکت اختلاف مثبت و تفاوت منفی برای دوره "حلقه" است.
• F_RSI تابعی است که باید در هر عنصر سری زمانی اعمال شود تا RSI = 100 - (100/1+up_roll/down_roll) محاسبه شود.
• timeseries. map برای اعمال تابع F_RSI در هر عنصر سری زمانی استفاده می شود. استفاده از عملکرد نقشه به جای حلقه برای عملیات سری زمانی معمول است.

با استفاده از Timeseriesعملکرد TORSI (Price_ts ، Loopback)PCT = درصدچ (Price_ts)upidx = findall(pct["Close"] .>0)downidx = findall (pct ["نزدیک"].<0)up = map( (timestamp, values) >(Timestamp ، اگر مقادیر<0 ; 0 ; else ;values ;end), pct)down = map( (timestamp, values) >(Timestamp ، اگر مقادیر<0 ; abs(values) ; else ;0 ;end), pct)up_roll = در حال حرکت (میانگین ، بالا ، حلقه برگشت)down_roll = در حال حرکت (میانگین ، پایین ، حلقه برگشت)تابع f_rsi (مقادیر)x = مقادیر [1]y = مقادیر [2]RSI = 100 - (100 / (1 + x / y))[RSI ، 0]پایانupdown = timeseries. rename (timeseries. merge (up_roll ، down_roll) ، [: up ،: down])rsi_ts = TimeSeries.rename(TimeSeries.map((timestamp, values) >.RSI_TS را برگردانیدپایان

میانگین حرکت RSI را می توان به راحتی با عملکرد "حرکت (میانگین ، ...)" محاسبه کرد.

rsi_ma = timeseries. Rename (حرکت (میانگین ، rsi_ts ، j) ، نماد ("rsima-" ، i ، "-" ، j))

مهندسی ویژگی

نوسان ساز میانگین متحرک RSI (OSRSI) می تواند به عنوان ویژگی مدل استفاده شود. برای هر محاسبه OSRSI ، 2 میانگین در حال حرکت وجود دارد: (1) MA در محاسبه up_roll و down_roll ، و (2) MA RSI. برای هر کارشناسی ارشد باید دوره حلقه برگشت را مشخص کنیم ، بگذارید I و J باشد ، و به شرح زیر تعریف شده است:

rsi_ts = torsi (price_ts ، i)RSI_MA = در حال حرکت (میانگین ، RSI_TS ، J)orsi = rsi_ts .- rsi_ma

با استفاده از اهرم اتوماسیون رایانه ، می توانیم به جای اینکه فقط روی یک مقدار واحد حلقه در تجزیه و تحلیل قرار بگیریم ، مقدار I و J را از یک محدوده دور کنیم.

برای من در روز 10: روز 1rsi_ts = torsi (price_ts ، i)نتیجه_ rsi = ادغام (نتیجه_رسی ، rsi_ts ، روش =: درونی)برای J در روز 10: روز 1rsi_ma = timeseries. Rename (حرکت (میانگین ، rsi_ts ، j) ، نماد ("rsima-" ، i ، "-" ، j))orsi = timeseries. rename (rsi_ts .- rsi_ma ، نماد ("orsi-" ، i ، "-" ، j))نتیجه_روسی = ادغام (refrine_orsi ، orsi ، روش =: درونی)پایانپایان

همه این Osrmi (I ، J) یک ماتریس تشکیل می دهند. این ماتریس می تواند برای تشخیص الگوی به شبکه عصبی Convolution (CNN) تغذیه شود. من از ماتریس OSRSI روز جاری و روزهای قبلی (seqlen) استفاده می کنم تا دنباله ای از ماتریس را به عنوان ورودی لایه های CNN تشکیل دهم. سپس ، بیش از 2-GRU ، و لایه متراکم نهایی برای به دست آوردن نرخ پیش بینی شده بازگشت روز بعد.

تابع build_reg_model (NH ، Seqlen)a = کف (int8 ، nh)زنجیره بازگشت (x >flux. unsqueeze (x ، 4) ،# اولین نتیجهConv((2, 2), seqlen=>a ، pad = (1،1) ، relu) ،ماکسپول ((2،2)) ،# نتیجه دومConv((2, 2), a=>NH ، pad = (1،1) ، relu) ،ماکسپول ((2،2)) ،# حلول سومConv((2, 2), Nh=>NH ، pad = (1،1) ، relu) ،ماکسپول ((2،2)) ، flux. flatten ،ترک تحصیل (0. 1) ،(x>انتقال (x)) ، GRU (1 ، NH) ،GRU (NH ، NH) ،(x >x [: ، پایان]) ،متراکم (NH ، 1) ،(x >x [1]))پایان

مشابه پست قبلی من ، من از میانگین متحرک 5 روزه نرخ بازده قیمت نزدیک به عنوان متغیر هدف به منظور صاف کردن فلوکسیون استفاده می کنم.

تابع تابع (Price_ts)PCT = Timeseries. Rename (درصدچ (قیمت_ت) ، [: بازگشت])PCT = در حال حرکت (میانگین ، PCT ، 5)retu TimeSeries.map((timestamp, values) >(Timestamp ، 100*مقادیر) ، PCT)پایان

ارزیابی نتیجه

من از داده های 3 ساله 2840. hk برای آموزش و آزمایش استفاده می کنم. من 150 نقطه داده غیب آخر را برای آزمایش نگه می دارم. تعداد دوره آموزش 25 است.

epochs num_epoch flux. train! (mse_loss ، flux. params (m) ، train_loader ، rmsprop (lr ، mm))

در اینجا نمودار مقدار پیش بینی شده در خط قرمز (Y1) و مقدار واقعی در خط آبی (Y2) قرار دارد.

در معاملات واقعی ، دقت پیش بینی بالا یا پایین (بازده مثبت/منفی) در P/L بسیار مهمتر از اتصالات واقعی ارزش است. من همچنین دقت و ماتریس سردرگمی را محاسبه می کنم. دقت 77 ٪ است! که بهتر از مدل های قبلی من است.

دقت: 0. 77ماتریس سردرگمی:[0. 27 ، 0. 093][0. 13 ، 0. 5]

در اینجا پارامترهای بیش از حد آزمایش فوق وجود دارد:

seqlen = 8NH = 20LR = 0. 000129MM = 0. 75روز = 8روز 1 = 8+20

در پایان ، OSRSI ویژگی خوبی در پیش بینی سهام است. نوت بوک کامل جولیا را می توان در GitHub من یافت.