1700510980
1700510981
这次调整把激励函数改成了Sigmoid函数，目的是引入更多的非线性特征。
1700510982
1700510983
the_time=time.strptime(str(values[0]),”%Y-%m-%d %H:%M:%S”)X_train[line_pointer].append(float(time.strftime(“%H”,the_time)))X_train[line_pointer].append(float(time.strftime(“%m”,the_time)))X_train[line_pointer].append(float(time.strftime(“%w”,the_time)))
1700510984
1700510985
这个部分就是加入了月、星期、小时3个维度后再进行训练。
1700510986
1700510987
……Train on 2975000 samples, validate on 525000 samplesEpoch 1/1002975000/2975000 [==============================]-15s-loss: 1.5305-acc: 0.4356-val_loss
:1.4402-val_acc: 0.4623Epoch 2/1002975000/2975000 [==============================]-13s-loss: 1.5071-acc: 0.4377-val_loss
:1.4264-val_acc: 0.4623Epoch 3/1002975000/2975000 [==============================]-13s-loss: 1.5047-acc: 0.4377-val_loss
:1.4297-val_acc: 0.4623Epoch 4/1002975000/2975000 [==============================]-13s-loss: 1.5030-acc: 0.4377-val_loss
:1.4218-val_acc: 0.4623Epoch 5/1002975000/2975000 [==============================]-13s-loss: 1.5014-acc: 0.4377-val_loss
:1.4288-val_acc: 0.4623Epoch 6/1002975000/2975000 [==============================]-13s-loss: 1.5001-acc: 0.4377-val_loss
:1.4178-val_acc: 0.4623Epoch 7/1002975000/2975000 [==============================]-13s-loss: 1.4991-acc: 0.4377-val_loss
:1.4165-val_acc: 0.4623Epoch 8/1002975000/2975000 [==============================]-13s-loss: 1.4983-acc: 0.4377-val_loss
:1.4335-val_acc: 0.4623Epoch 9/1002975000/2975000 [==============================]-13s-loss: 1.4976-acc: 0.4377-val_loss
:1.4125-val_acc: 0.4623Epoch 10/1002975000/2975000 [==============================]-13s-loss: 1.4969-acc: 0.4377-val_loss
:1.4089-val_acc: 0.4623……Epoch 91/1002975000/2975000 [==============================]-13s-loss: 1.4645-acc: 0.4380-val_loss
:1.4858-val_acc: 0.4405Epoch 92/1002975000/2975000 [==============================]-13s-loss: 1.4642-acc: 0.4379-val_loss
:1.4997-val_acc: 0.4252Epoch 93/1002975000/2975000 [==============================]-13s-loss: 1.4640-acc: 0.4380-val_loss
:1.4827-val_acc: 0.4447Epoch 94/1002975000/2975000 [==============================]-13s-loss: 1.4638-acc: 0.4379-val_loss
:1.4780-val_acc: 0.4330Epoch 95/1002975000/2975000 [==============================]-13s-loss: 1.4635-acc: 0.4380-val_loss
:1.4947-val_acc: 0.4308Epoch 96/1002975000/2975000 [==============================]-13s-loss: 1.4633-acc: 0.4380-val_loss
:1.5014-val_acc: 0.4367Epoch 97/1002975000/2975000 [==============================]-13s-loss: 1.4631-acc: 0.4380-val_loss
:1.4762-val_acc: 0.4432Epoch 98/1002975000/2975000 [==============================]-13s-loss: 1.4629-acc: 0.4379-val_loss
:1.4838-val_acc: 0.4398Epoch 99/1002975000/2975000 [==============================]-13s-loss: 1.4629-acc: 0.4379-val_loss
:1.4888-val_acc: 0.4400Epoch 100/100
1700510988
1700510989
损失函数的值比第1次设计的要小，但准确率没有提升。这说明月、星期、小时3个参考值的加入对模型精度的提升没有帮助。
1700510990
1700510991
（3）第3次尝试
1700510992
1700510993
通过前两次尝试我们发现，这个分类过程对熵减没有太多帮助。为什么这么说呢？如果用训练出来的模型进行回测，会发现绝大部分的样本都集中在波幅最小的那一部分，这一点在下面更细的定量分析中就能看出来。所以，如果希望熵减更为明显，就要引入更多的维度，而且尽量不要将分类设置得太“倾斜”，也就是尽量不要让其中个别分类所占的比例太大。
1700510994
1700510995
我们思考一下：既然预测1小时的情况可能会比较复杂，那么是不是可以考虑将这个时间缩短呢？因为时间越长，混沌所产生的影响就越明显；熵越大，预测难度也就越大。这一次我们试试用15分钟内的波幅来分析。
1700510996
1700510997
建立表SLIDEWINDOW_15M。
1700510998
1700510999
CREATE TABLE SLIDEWINDOW_15M(DT DATETIME,RISE_PIP DECIMAL(10,4),FALL_PIP DECIMAL(10,4),PROPORTION DECIMAL(10,4));
1700511000
1700511001
将分析结果插入这个临时表，编写Python文件slidewindow_15m_insert.py。
1700511002
1700511003
#!/usr/bin/pythonimport os,sys,MySQLdbtry
: db=MySQLdb.connect(host=‘localhost’, user=‘root’, passwd=‘111111’, db=‘FOREX’) cursor=db.cursor() counter=0 cursor.execute(‘USE FOREX;’) sql=‘SELECT * FROM EURUSD_1M’ cursor.execute(sql); result=cursor.fetchall() for i in range(0, cursor.rowcount)
: startdt=str(result[i][0]) startpip=str(result[i][4]) cursor1=db.cursor() cursor1.execute(‘USE FOREX;’) sql1=‘INSERT INTO SLIDEWINDOW_15M SELECT DT, MAX(HIGH)-‘ + startpip + ‘ AS RISE_PIP, ‘ + startpip + ‘-MIN(LOW)AS FALL_PIP, CASE WHEN ‘+ startpip + ‘＜＞MIN(LOW)THEN(MAX(HIGH)-‘ + startpip + ‘)/(‘ + startpip + ‘-MIN(LOW))ELSE(MAX(HIGH)-‘ + startpip + ‘)/0.0001 END FROM EURUSD_1M WHERE DT BETWEEN ”’ + startdt + ’” AND DATE_ADD(”’ + startdt + ’”, INTERVAL 15 MINUTE)’ cursor1.execute(sql1) if i%1000==0
: db.commit() db.commit()except MySQLdb.Error,e
: print “Error %s” %(str(e.args[0])+’
:’+str(e.args[1])) exit(1)cursor1.close()cursor.close()db.close()
1700511004
1700511005
在这里，我们填充SLIDESHOW_15M表的逻辑和填充SLIDESHOW表的逻辑相同，只是向后看的周期调整到了15分钟，其他逻辑则没有没变化。
1700511006
1700511007
建立表EURUSD_TRAINING_15M。
1700511008
1700511009
CREATE TABLE EURUSD_TRAINING_15MSELECT EURUSD_1M.DT, OPEN, HIGH, LOW, CLOSE, RISE_PIP, FALL_PIP, PROPORTION FROM EURUSD_1MINNER JOIN SLIDEWINDOWONEURUSD_1M.DT=SLIDEWINDOW.DT;
1700511010
1700511011
F和R两个字段分别作为跌幅FALL和涨幅RISE的分类标记，后面很快会用到。
1700511012
1700511013
在进行分类标注之前，我们看一下这15分钟内的涨跌数据都在什么范围内集中。
1700511014
1700511015
mysql＞ SELECT COUNT(*), F, R FROM(SELECT FALL_PIP DIV 0.0010 AS F, RISE_PIP DIV 0.0010 AS R FROMEURUSD_TRAINING_15M)R GROUP BY F, R;+–––-+––+––+| COUNT(*)| F | R |+–––-+––+––+| 3920354 | 0 | 0 || 571240 | 0 | 1 || 112985 | 0 | 2 || 30347 | 0 | 3 || 10061 | 0 | 4 || 3834 | 0 | 5 || 1605 | 0 | 6 || 858 | 0 | 7 || 411 | 0 | 8 || 260 | 0 | 9 || 169 | 0 | 10 || ……| 6 | 16 | 0 || 3 | 16 | 1 || 14 | 17 | 0 || 1 | 17 | 1 || 2 | 18 | 0 || 2 | 19 | 1 || 1 | 20 | 0 || 1 | 20 | 1 || 1 | 21 | 0 || 1 | 21 | 1 || 1 | 22 | 0 || 1 | 22 | 7 || 1 | 23 | 2 |+–––-+––+––+179 rows in set(4.14 sec)
1700511016
1700511017
这是用10个点做分割的最小区间来做的，涨跌幅度看后面的F和R就知道了。例如，“| 3920354 | 0 | 0 |”这一条，表示涨跌都在10个点以内的振幅小且方向不确定的数据超过392万条，占全部样本的72％。不得不说，这个比例实在是太大了，相当于其他178个分类总共才占28％——这是一个非常“倾斜”的分类方式。
1700511018
1700511019
我们可以尝试再做一下细分，用5个点作为一个分档。
1700511020
1700511021
mysql＞ SELECT COUNT(*), F, R FROM(SELECT FALL_PIP DIV 0.0005 AS F, RISE_PIP DIV 0.0005 AS R FROMEURUSD_TRAINING_15M)R GROUP BY F, R;+–––-+––+––+| COUNT(*)| F | R |+–––-+––+––+| 1916865 | 0 | 0 || 895584 | 0 | 1 || 334411 | 0 | 2 || 134729 | 0 | 3 || 60612 | 0 | 4 || 29028 | 0 | 5 |……| 894166 | 1 | 0 || 213739 | 1 | 1 || 71067 | 1 | 2 || 31033 | 1 | 3 || 15198 | 1 | 4 |……| 4 | 34 | 0 || 1 | 34 | 1 || 1 | 34 | 3 || 9 | 35 | 0 || 1 | 37 | 0 || 1 | 37 | 1 || 1 | 38 | 2 || 1 | 38 | 3 || 1 | 40 | 0 || 1 | 40 | 2 || 1 | 42 | 1 || 1 | 42 | 3 || 1 | 44 | 0 || 1 | 44 | 14 || 1 | 46 | 4 |+–––-+––+––+513 rows in set(4.31 sec)
1700511022
1700511023
在这个划分中，虽然涨跌都在5个点的分类“| 1916865 | 0 | 0 |”仍然有191万条记录，但是占比已经下降到35％左右。
1700511024
1700511025
下面，我们用其他处理技巧作为辅助，继续这个熵减过程。
1700511026
1700511027
ALTER TABLE EURUSD_TRAINING_15M ADD COLUMN(F INT);ALTER TABLE EURUSD_TRAINING_15M ADD COLUMN(R INT);UPDATE EURUSD_TRAINING_15M SET R=RISE_PIP DIV 0.0005, F=FALL_PIP DIV 0.0005;COMMIT;
1700511028
1700511029
要想给EURUSD_TRAINING_15M这个表上加上标签，可以先画一个表，看看它们的分布是什么样子（如图18-21所示）。
[
上一页 ]
[ :1.70051098e+09 ]
[
下一页 ]