999精品视频-av片免费看-av网站入口-美国av片-136福利视频导航-手机av片-曰本黄色片-久久久成人av-中文字幕高清av-神马午夜嘿嘿-开心激情五月婷婷-亚洲av人无码激艳猛片服务器-日韩人成-国产美女久久久久久-很污很黄的网站

文章作者曲星明，天津大學大四學生，來曙光實習兩個月了。且看小帥鍋如何現(xiàn)學現(xiàn)用，使用LSTM預測美元匯率。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?。。槭裁赐蝗坏聛磉@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。作為一名天津大學的工科學生，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，怎么才能預測匯率？

目前深度學習作為機器學習異?；鸨囊粋€分支，其中長短時記憶網(wǎng)絡(Long Short Term Memory Network, LSTM)模型非常適合用于時間序列預測。

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)絡并不能如此，這似乎是一個主要的缺點。例如，假設你在看一場電影，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(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)絡帶有環(huán)，可將信息持久化。

LSTM，全稱為長短時記憶網(wǎng)絡 (Long Short Term Memory networks) ，是一種特殊的RNN，能夠?qū)W習到長期依賴關系。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學習預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)，應該很好學習。首先用Matlab產(chǎn)生余弦函數(shù)的1900多個點，做成CSV，輸入給LSTM進行學習，使用前1710個點訓練，讓他預測一下后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，所以訓練只用一個epoch就已經(jīng)能看到預測結(jié)果和實際結(jié)果差的不多了！

那我們來試試訓練50個周期，看看之后會發(fā)生什么事情！

太神奇了，LSTM學的越來越好了！可以想象，如果訓練更長時間，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)范的重復模式，但匯率數(shù)據(jù)是不規(guī)范的。為了應對這種情況，我們需要使訓練/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的比例劃分訓練和測試集，假設現(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，畢竟我們才剛訓練一輪，模型現(xiàn)在應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。

我們的預測趨勢和實際比較符合！但是不可避免的，也會有一些預測錯誤（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)進行訓練，讓他去預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，預測線由單一的預測點組成，這些點知道他們前面的真實值。因此，網(wǎng)絡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得到了一個錯誤預測的點，下一個預測可在考慮真實歷史后忽略不正確的預測，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)絡預測未來的序列而不是下一個點。我們先訓練一個epoch往后預測一段時間看看：

神奇！我們的預測很快就達到了收斂！證明在0這個點，我們預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天預測一次），先跑一個epoch試試：

可以看到預測的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)，這應該使模型模式更準確。最后我們把預測周期縮短為每3天預測一次。

我們看到，實際上它現(xiàn)在只是試圖預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！

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