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)
你认为应该如何处理递归的问题?
与lstm
+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()
如何管理输入,循环什么
+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))
已经尝试了一切
在http://ru.stackoverflow.com,这是一个专门为提问有关编程的问题而创建的资源,用任何语言,全天候,同时将增加俄语的正确答案的基础。
你认为应该如何处理递归的问题?
与lstm
+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()
如何控制输入,什么是循环
从这些代码片断来看,你想研究/解决文本预测问题。我马上有几个问题。
当然,LSTM与机器学习模型 有关,但textMining与交易有关?
如果你有这方面的经验和知识,请开一个新的主题,例如:TextMiningPython。如果有热心人,他们会支持你。我将饶有兴趣地关注这一发展。但首先要对输入、目标数据、数据源的链接和你想解决的问题进行连贯的描述。既然你的帖子要了解它的内容,只有非常高级的通灵者才能理解。
好运。
谷歌有一项服务,叫做谷歌关联https://www.google.com/trends/correlate。
它可以搜索相关的用户查询,查询以BP的形式呈现。这项服务很有趣,因为你可以把你的BP加载到它里面,它将搜索与指定BP相关的这类查询。
这个想法是在那里加载符号价格,看看它与什么相关,它可能对搜索新的预测因素很有用,当然,我知道相关是一种非常粗糙的方式来寻找联系,但尽管如此,它还是很有趣的....。
好吧,问题是我不明白服务应该以什么形式提供仪器价格的数据,谁能理解并告诉我如何准备数据,应该以什么形式提供?
添加...........
下面是另一篇文章,让大家对谷歌服务有更深入的了解http://forbes.net.ua/opinions/1336134-google-pomogaet-ustanovit-zhdut-li-ukraincy-krizisa
文章显示,在实际工业生产的动态 之间发现了一种强烈的关联性。
在乌克兰,对 "消费信贷 "这一 短语进行了搜索查询。
谷歌有一项服务,叫做谷歌关联https://www.google.com/trends/correlate。
它可以搜索相关的用户查询,查询以BP的形式呈现。这项服务很有趣,因为你可以把你的BP加载到它里面,它将搜索与指定BP相关的这类查询。
这个想法是在那里加载符号价格,看看它与什么相关,它可能对搜索新的预测因素很有用,当然,我知道相关是一种非常粗糙的方式来寻找联系,但尽管如此,它还是很有趣的....。
所以,问题是我不明白服务应该以什么形式提供仪器价格的数据,也许有人能想出办法,告诉我如何准备数据,应该以什么形式提供。
这很好,但我记得有诸如熵之类的指标,我突然想提高记录......。也许会有一些有用的东西出来....
有一个谷歌的服务...
有趣的是,这是代码,但谷歌没有找到任何相关的东西
有趣的是,这是代码,但谷歌没有找到任何相关的东西
谢谢!!!。
没有必要在这里进行区分,它失去了系列的结构和趋势,你也不需要缩放,计算中的相关关系使绝对值 趋于平衡......你能做的最大限度是删除趋势,以便找到一些季节性特征,但你是否需要它是值得怀疑的。
试试吧,会有效果的。
的确,这些联系至少可以说是很奇怪的))。从嘻哈论坛到关于马匹的咨询 :)
问题是 如何识别什么是真正的联系,什么只是一个巧合。
没有必要在这里进行区分,它失去了行的结构和趋势。
对,是的。谷歌无法做到这一点,它只寻找与其他趋势的相关性,而不是与他们的增长相关,对不起,结果没有那么有用。
你也不需要把它放大。
根据常见问题,它需要这样做(平均值=0,SD=1,只是尺度的作用)。虽然从趋势图来看,谷歌自己为你做了刻度,以防你忘记。
http://prntscr.com/eighfp
法国 :)