欲妇荡岳丰满少妇岳_天天躁夜夜躁天干天干2020_eeuss影院www在线观看等最新内容!_丰满岳乱妇三级高清_国产精品丝袜在线中出_东北少妇高潮流白浆在线观看_暖暖在线观看免费高清完整版_国产成人啪精品视频午夜_日本在线无码观看_曰本AV中文字幕一区二区,一个人免费观看www,v无码专区亚洲av,亚洲欧美日韩国产伦理高清在线

文章作者曲星明,，天津大學(xué)大四學(xué)生，來曙光實習兩個月了,。且看小帥鍋如何現(xiàn)學(xué)現(xiàn)用,，使用LSTM預(yù)測美元匯率,。成文時間：2017年08月31日。

中午拿起手機刷微博,，看到這樣一條消息：

什么?。?！為什么突然跌下來這么多……出國黨換美金傷不起啊,，老爸之前換的時候沒告訴我，今天看到消息心疼錢在蒸發(fā),。

要是我們能提前預(yù)知匯率的變動就好了,，這樣就能在匯率低的時候兌換，可以省不少錢,。作為一名天津大學(xué)的工科學(xué)生,，遇到問題，一定要動手去解決問題,，我們要以實事求是的態(tài)度,，用實驗和數(shù)據(jù)說話！

那今天我們就用通俗的語言來說說,，怎么才能預(yù)測匯率,？

目前深度學(xué)習作為機器學(xué)習異常火爆的一個分支,，其中長短時記憶網(wǎng)絡(luò)(Long Short Term Memory Network, LSTM)模型非常適合用于時間序列預(yù)測,。

通俗解釋LSTM，不感興趣的朋友可以自行跳過,。（引用自http://www.dataguru.cn/article-11339-1.html）

人們的每次思考并不都是從零開始的,。比如說你在閱讀這篇文章時，你基于對前面的文字的理解來理解你目前閱讀到的文字,，而不是每讀到一個文字時,，都拋棄掉前面的思考，從頭開始,。你的記憶是有持久性的,。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)并不能如此，這似乎是一個主要的缺點,。例如,，假設(shè)你在看一場電影，你想對電影里的每一個場景進行分類,。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不能夠基于前面的已分類場景來推斷接下來的場景分類,。

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN, Recurrent Neural Networks)解決了這個問題。我們只需要知道這種神經(jīng)網(wǎng)絡(luò)帶有環(huán)，可將信息持久化,。

LSTM,，全稱為長短時記憶網(wǎng)絡(luò) (Long Short Term Memory networks) ，是一種特殊的RNN,，能夠?qū)W習到長期依賴關(guān)系,。LSTM由Hochreiter & Schmidhuber (1997)提出，許多研究者進行了一系列的工作對其改進并使之發(fā)揚光大,。LSTM在許多問題上效果非常好,，現(xiàn)在被廣泛使用。

那什么是時間序列呢,？又是一堆術(shù)語,，熟悉或者不感興趣的朋友可以自行跳過。

時間序列,，也叫時間數(shù)列,、歷史復(fù)數(shù)或動態(tài)數(shù)列。它是將某種統(tǒng)計指標的數(shù)值,，按時間先后順序排到所形成的數(shù)列,。時間序列預(yù)測法就是通過編制和分析時間序列，根據(jù)時間序列所反映出來的發(fā)展過程,、方向和趨勢,，進行類推或延伸，借以預(yù)測下一段時間或以后若干年內(nèi)可能達到的水平,。其內(nèi)容包括：收集與整理某種社會現(xiàn)象的歷史資料,；對這些資料進行檢查鑒別，排成數(shù)列,；分析時間數(shù)列,，從中尋找該社會現(xiàn)象隨時間變化而變化的規(guī)律，得出一定的模式,；以此模式去預(yù)測該社會現(xiàn)象將來的情況,。

假如我們有2000天的匯率數(shù)據(jù)，按照50天劃分為一個時間序列,，每隔10天取一次,，這就有了（2000-50）/10 +1=196個時間序列，我們可以利用這些時間序列去預(yù)測下一個或者多個時間序列,。

接下來讓我們從最基本的事情開始----先讓LSTM學(xué)習預(yù)測一下簡單的余弦函數(shù),。

我們都知道余弦函數(shù)是很規(guī)律的周期函數(shù)，應(yīng)該很好學(xué)習,。首先用Matlab產(chǎn)生余弦函數(shù)的1900多個點,，做成CSV,，輸入給LSTM進行學(xué)習，使用前1710個點訓(xùn)練,，讓他預(yù)測一下后190步左右的輸出,。也就是說，我們要通過前90%的波形,，預(yù)測后面10%，現(xiàn)在讓我們來觀察一下結(jié)果,。

漂亮,！因為余弦波很規(guī)律啊，所以訓(xùn)練只用一個epoch就已經(jīng)能看到預(yù)測結(jié)果和實際結(jié)果差的不多了,！

那我們來試試訓(xùn)練50個周期,，看看之后會發(fā)生什么事情！

太神奇了,，LSTM學(xué)的越來越好了,！可以想象，如果訓(xùn)練更長時間,，那么輸出將會和真實值基本沒有差別,！

看到這里大家有沒有很激動呢，是不是感覺自己馬上能走上發(fā)家致富的道路,？（開玩笑別當真）

當然,，實際情況往往不會像我們預(yù)料的怎么簡單，匯率的變化是一個十分不規(guī)律,、毫無周期可言的事情,，但是我們并不能被他嚇到，我們需要進一步實驗,！

我們上網(wǎng)下載2007年8月1日到2017年8月31日美元對人民幣的匯率,。共2638條數(shù)據(jù)，其格式如下：

對這些數(shù)據(jù)進行可視化

接下來我們繼續(xù)搞事情,！

我們需要對數(shù)據(jù)做一個微小的改變,，因為余弦波是一個很規(guī)范的重復(fù)模式，但匯率數(shù)據(jù)是不規(guī)范的,。為了應(yīng)對這種情況,，我們需要使訓(xùn)練/測試數(shù)據(jù)的每個n大小的窗口進行標準化。簡單來講標準化的作用就是能提升模型性能,，使結(jié)果更準確一些,。

好了，我們按照9:1的比例劃分訓(xùn)練和測試集,，假設(shè)現(xiàn)在處于2017年5月份：

我們先跑一個epoch看看結(jié)果

emmm……這也差得太多了吧,，不過不要擔心，畢竟我們才剛訓(xùn)練一輪，模型現(xiàn)在應(yīng)該還處于欠擬合狀態(tài),。接下來我們先用少量數(shù)據(jù),，進行一下玄學(xué)調(diào)參，主要是窗口長度,，LSTM層神經(jīng)元個數(shù),，還有dropout強度。調(diào)的差不多之后,，增加迭代次數(shù),，下面我們來看結(jié)果。

我們的預(yù)測趨勢和實際比較符合,！但是不可避免的,，也會有一些預(yù)測錯誤（比如在240左右，模型居然給出了相反的結(jié)論）,。接下來我們需要使用全部的數(shù)據(jù)進行訓(xùn)練,，讓他去預(yù)測未來幾個星期的趨勢。

發(fā)家致富道路就在眼前,！

但是,，我們單個逐點預(yù)測上雖然與實際相當接近。但這是欺騙性的,！為什么,？如果你仔細看，預(yù)測線由單一的預(yù)測點組成,，這些點知道他們前面的真實值,。因此，網(wǎng)絡(luò)并不依賴時間序列本身,，下一個點可能不會離上一點太遠,。假如LSTM得到了一個錯誤預(yù)測的點，下一個預(yù)測可在考慮真實歷史后忽略不正確的預(yù)測,，并允許再次出現(xiàn)錯誤,。

錯誤逐漸積累，我們還是得傾家蕩產(chǎn),！

我們現(xiàn)在需要改變策略,，去尋找是否在匯率變化中真的有一些潛在的模式，讓網(wǎng)絡(luò)預(yù)測未來的序列而不是下一個點,。我們先訓(xùn)練一個epoch往后預(yù)測一段時間看看：

神奇,！我們的預(yù)測很快就達到了收斂！證明在0這個點,，我們預(yù)測匯率在未來有下降趨勢,。

讓我們進一步研究回歸收斂,，將我們的預(yù)測序列限制到30，也就是一個月,，然后每次將啟動窗口移動50單位（每50天預(yù)測一次）,，先跑一個epoch試試：

可以看到預(yù)測的5條線里面只有紅色的那條不太準，但是這才一個周期,。接下來,，我們多迭代幾輪看看，并多嘗試不同的參數(shù),，這應(yīng)該使模型模式更準確,。最后我們把預(yù)測周期縮短為每3天預(yù)測一次。

我們看到,，實際上它現(xiàn)在只是試圖預(yù)測每個時間段匯率變化的趨勢。注意,，這里的趨勢,，可以用物理上的加速度做比方。

比如說一個物體正向下運動（美元匯率下降了）,，但是他擁有向上的加速度（他有上升的趨勢）,，我們知道他會做一個減速運動（美元還會跌，但是跌的慢了）,，但是什么時候能向上運動我們不知道（但是什么時候能漲我們不知道）,。

仔細觀察確實有一些點的預(yù)測趨勢是錯誤的。但別難為模型,，他就是個本科生的渣渣作品,。

下面我們對最近幾天放大來看看！

激動人心的時刻到了,！我們的模型顯示未來9天內(nèi)匯率會有小幅的上漲,！

不多說了，現(xiàn)在我要趕緊拿著數(shù)據(jù)去找我老爸,，告訴他,，最近美元匯率跌的厲害，這兩天馬上就要跌到谷底,，現(xiàn)在是換匯的最好時機,！

本文純屬作者自娛自樂，切勿盲目投資,！

更多曙光相關(guān)資訊,，歡迎搜索微信公眾號“中科曙光/sugoncn”，關(guān)注曙光公司官方微信,。