library(lubridate)
library(rusquant) #install.packages("rusquant", repos="http://R-Forge.R-project.org")
#для недельных баров, сдвиг на одну дату назад ибо в сша первый день недели это воскресенье
getSymbols("EURUSD",src = "Finam", period="week", from = 0)
eurusdTime <- as.character(ymd(time(EURUSD))-days(1))
# #для месячных баров
# getSymbols("EURUSD",src = "Finam", period="month", from = 0) #месячные бары вместо недельных
# eurusdTime <- as.character(ymd(time(EURUSD))) #для месячных баров
#либо первый вариант, либо второй, зависит от того как в гугле данные относятся к дате - с отставанием или опережением. я не знаю.
eurusdOpen <- as.numeric(scale(c(diff(as.numeric(EURUSD$EURUSD.Open))[-1], 0, 0)))
# eurusdOpen <- as.numeric(scale(c(diff(as.numeric(EURUSD$EURUSD.Open)), 0)))
write.table(matrix(c(eurusdTime,eurusdOpen), ncol=2), file="table.csv", sep=",", dec=".", row.names = FALSE, col.names = FALSE)
library(lubridate)
library(rusquant) #install.packages("rusquant", repos="http://R-Forge.R-project.org")
#для недельных баров, сдвиг на одну дату назад ибо в сша первый день недели это воскресенье
getSymbols("EURUSD",src = "Finam", period="week", from = 0)
eurusdTime <- as.character(ymd(time(EURUSD))-days(1))
eurusdOpen <- as.numeric(EURUSD$EURUSD.Open)
DT <- matrix(c(eurusdTime,eurusdOpen), ncol=2)
write.table(DT,file="table.csv", sep=",", dec=".", row.names = FALSE, col.names = FALSE)
再帰的なものはどのように扱うべきとお考えですか？
lstmと
+from keras.preprocessing import sequence
+from keras.models import Sequential
+from keras.layers import Dense, Activation, Embedding
+from keras.layers import LSTM
+from keras.datasets import imdb
+
+# Устанавливаем seed для повторяемости результатов
+np.random.seed(42)
+# Максимальное количество слов (по частоте использования)
+max_features = 5000
+# Максимальная длина рецензии в словах
+maxlen = 80
+
+# Загружаем данные
+(X_train, y_train), (X_test, y_test) = imdb.load_data(nb_words=max_features)
+
+# Заполняем или обрезаем рецензии
+X_train = sequence.pad_sequences(X_train, maxlen=maxlen)
+X_test = sequence.pad_sequences(X_test, maxlen=maxlen)
+
+# Создаем сеть
+model = Sequential()
入力の管理方法、何をループさせるか
+model = Sequential()
+# Слой для векторного представления слов
+model.add(Embedding(max_features, 32, dropout=0.2))
+# Слой долго-краткосрочной памяти
+model.add(LSTM(100, dropout_W=0.2, dropout_U=0.2)) # try using a GRU instead, for fun
+# Полносвязный слой
+model.add(Dense(1, activation="sigmoid"))
+
+# Копмилируем модель
+model.compile(loss='binary_crossentropy',
+ optimizer='adam',
+ metrics=['accuracy'])
+
+# Обучаем модель
+model.fit(X_train, y_train, batch_size=64, nb_epoch=7,
+ validation_data=(X_test, y_test), verbose=1)
+# Проверяем качество обучения на тестовых данных
+scores = model.evaluate(X_test, y_test,
+ batch_size=64)
+print("Точность на тестовых данных: %.2f%%" % (scores[1] * 100))
すでにすべて試した
http://ru.stackoverflow.com プログラミングに関する質問をするために特別に作られたリソースで、どんな言語でも、24時間いつでも登録でき、同時にロシア語での正しい答えのベースを増やすことができます。
再帰的なものはどのように扱うべきとお考えですか？
lstmと
+from keras.preprocessing import sequence
+from keras.models import Sequential
+from keras.layers import Dense, Activation, Embedding
+from keras.layers import LSTM
+from keras.datasets import imdb
+
+# Устанавливаем seed для повторяемости результатов
+np.random.seed(42)
+# Максимальное количество слов (по частоте использования)
+max_features = 5000
+# Максимальная длина рецензии в словах
+maxlen = 80
+
+# Загружаем данные
+(X_train, y_train), (X_test, y_test) = imdb.load_data(nb_words=max_features)
+
+# Заполняем или обрезаем рецензии
+X_train = sequence.pad_sequences(X_train, maxlen=maxlen)
+X_test = sequence.pad_sequences(X_test, maxlen=maxlen)
+
+# Создаем сеть
+model = Sequential()
入力をどう制御するか、何をループさせるか
これらのコードスニペットから判断して、あなたはテキスト予測問題を調査/解決したいのでしょう。さっそくですが、いくつか質問があります。
LSTMはもちろん機械学習 モデルに関係しますが、textMiningはトレーディングに関係しますか？
経験やノウハウのある方は、「TextMiningPython」などの新しいスレッドを立ち上げてください。熱狂的なファンがいれば、応援してくれるはずです。今後の展開を興味深く見守っていきたいと思います。しかし、入力、対象データ、データソースへのリンク、解決したい問題について、首尾一貫した説明をすることから始めます。その内容を理解するための投稿は、よほど高度な超能力者でなければ理解できないので。
頑張ってください。
Googleのサービスで、google correlatehttps://www.google.com/trends/correlate というのがあります。
相関のあるユーザーのクエリーを検索することができ、クエリーはBPの形で提示される。このサービスは、BPを読み込むと、指定したBPと相関があるようなクエリを検索してくれるのが面白いところです。
もちろん、相関関係がリンクを見つけるための非常に粗い方法であることは理解していますが、それにもかかわらず、それは興味深いものです。
さて、問題は、私はサービスが商品の価格とデータをフィードする必要がありますどのような形式で理解していないことです、誰かが理解し、データを準備する方法を教えてください、それはどのような形式であるべきです。
が追加されました...................。
Google サービスについてより深く理解するための記事はこちらですhttp://forbes.net.ua/opinions/1336134-google-pomogaet-ustanovit-zhdut-li-ukraincy-krizisa
この論文では、実質鉱工業生産の動態に 強い相関があることが示されています。
ウクライナで 「消費者金融」というフレーズの検索 クエリで、ウクライナで
Googleのサービスで、google correlatehttps://www.google.com/trends/correlate というのがあります。
相関のあるユーザーのクエリーを検索することができ、クエリーはBPの形で提示される。このサービスは、BPを読み込むと、指定したBPと相関があるようなクエリを検索してくれるのが面白いところです。
もちろん、相関関係がリンクを見つけるための非常に粗い方法であることは理解していますが、それにもかかわらず、それは興味深いものです。
だから、問題は、私はサービスが商品の価格を持つデータを供給する必要がありますどのような形式で理解していないことです、多分誰かがそれを把握し、データを準備する方法と、それがどのような形式であるべきで私に伝えることができます。
すごいんだけど、エントロピーとかいう指標があって、急に記録を上げたくなったのを覚えている......。もしかしたら、何か役に立つことが出てくるかもしれない...。
Googleのサービスがある...
面白いことに、このコードですが、googleでは相関するものが見つかりませんでした。
面白いことに、このコードですが、googleでは相関するものが見つかりませんでした。
ありがとうございます!!!
そこで区別する必要はない、系列の構造やトレンドが失われる、スケールも必要ない、計算上の相関は絶対値を 平準化する...。季節感を出すためにトレンドを外すのが限界ですが、それが必要かどうかは疑問です...。
試してみれば、きっとうまくいくはずです。
確かに、接続ははっきり言っておかしいですね ))ヒップホップ・フォーラムから馬に関する問い合わせまで :)
問題は、何が本当のリンクで、何が単なる偶然なのか、どうやって見分けるかである
そこで差別化する必要はなく、列構成やトレンドが失われる
そうですね、ええ。Googleはそれができない、他のトレンドとの相関を探すだけで、自分の増加分とは関係ない、申し訳ないが、それほど有用な結果にはならないのだ。
スケールも不要です。
FAQによると、その必要があるようです（mean=0, sd=1、まさにスケールがそうであるように）。トレンドグラフから判断すると、忘れたころにgoogle自身がスケールを出してくれているようですが。
http://prntscr.com/eighfp
フランス :)