شبکه‌های خنثی: نمونه‌های پیاده‌سازی و کد برای ابزارهای معاملاتی – تحلیل و پیش‌بینی – 1 ژوئیه 2023

شاید تا به حال نام شبکه های خنثی را نشنیده باشید.

ما اینها را در EA بسیار پیشرفته‌تر پیاده‌سازی می‌کنیم.

بیایید ابتدا به برخی از کدها نگاهی بیندازیم، سپس معنی آنها را می آموزیم> و همچنین چرا به آنها نیاز داریم.

در اینجا نمونه‌ای از نحوه پیاده‌سازی یک شبکه عصبی با استفاده از پایتون و کتابخانه محبوب یادگیری ماشین، TensorFlow را مشاهده می‌کنیم:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# Create a sequential model
model = Sequential()

# Add layers to the model
model.add(Dense(64, activation='relu', input_dim=10))  # Input layer with 10 input features
model.add(Dense(32, activation='relu'))  # Hidden layer with 32 units
model.add(Dense(1, activation='sigmoid'))  # Output layer with 1 unit

# Compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# Prepare training data
train_data = ...
train_labels = ...

# Train the model
model.fit(train_data, train_labels, epochs=10, batch_size=32)

# Make predictions
test_data = ...
predictions = model.predict(test_data)

حالا بیایید بدانیم همه اینها به چه معناست.

در این مثال یک مدل ترتیبی ایجاد می کنیم که a پشته خطی لایه ها لایه‌های متراکم (کاملا متصل) را به مدل اضافه می‌کنیم و تعداد واحدهای هر لایه و تابع فعال‌سازی مورد استفاده را مشخص می‌کنیم.

این relu تابع فعال سازی معمولا در لایه های مخفی استفاده می شود، در حالی که سیگموئیداغلب برای وظایف طبقه بندی باینری در لایه خروجی استفاده می شود.

پس از اضافه کردن لایه ها، مدل را با تعیین بهینه ساز، تابع ضرر و معیارهایی که در طول آموزش استفاده می شود، کامپایل می کنیم. در این مورد، ما از بهینه ساز adam و تابع از دست دادن باینری_متقاطع.

سپس داده ها و برچسب های آموزشی را آماده می کنیم و سپس با استفاده از روش برازش مدل را آموزش می دهیم. تعداد دوره‌ها (تکرار در داده‌های آموزشی) و اندازه دسته را مشخص می‌کنیم.

در نهایت، می‌توانیم با استفاده از مدل آموزش‌دیده شده، پیش‌بینی‌هایی را روی داده‌های جدید با فراخوانی انجام دهیم پیش بینیروش.

این مثال به شما ایده می دهد که چگونه یک شبکه عصبی را می توان در کد پیاده سازی کرد. در عمل، شما معمولاً داده‌ها را پیش پردازش می‌کنید، تنظیم مدل گسترده‌تری را انجام می‌دهید، و معماری‌های پیچیده‌تر و قالب‌های داده را بر اساس الزامات خاص استراتژی معاملاتی خود مدیریت می‌کنید.

لذت ببرید….