在本文中, 我们将继续探索自之前文章中开始的深度神经网络 (DNN) (1, 2, 3)。
DNN 在许多领域得到广泛的应用和发展。日常使用神经网络的最常见例子是语言和图像识别, 以及从一种语言到另一种语言的自动翻译。DNN 也能用于交易。鉴于算法交易的快速发展, 对 DNN 的深入研究似乎是有用的。
最近, 开发人员已经提出了许多新的使用 DNN 的思路, 方法和途径, 并通过实验一一证明它们。本系列文章将研究 DNN 发展的状况和主要方向。有极大的空间可致力于使用实际实验和 DNN 的定性特征来测试各种思路和方法。在我们的工作中将仅使用多层完全连接的网络。
文章将有四个着重关注领域:
- 准备, 评估和经过各种变换放大的入场数据。
- darch 软件包的新功能 (v.0.12)。灵活性和扩展功能。
- 运用预测结果放大 (DNN 和神经网络合奏的超参数优化)。
- 在学习和工作期间控制智能交易系统操作的图形能力。
本文将研究准备用于神经网络的接收自交易终端中的数据。
内容- 概述。R 语言
- 1. 创建初始 (原始) 数据
