零、引言

實戰前測試路系列預計只會出四集，目的是給未接觸股票和ML的我一個測試的機會。 從上篇實戰前的測試路(二) :: 加入第二個變數我們發現，儘管新加入第二個股票指標，對於「預測」這檔事仍然很難辦到，我重複測試了兩個正規化的方法

「局部正規」仍然保有自我，「漲跌幅正規」仍然是隻跟屁蟲

為此今天的最後一測試我想說將兩者結合來看看效果。 與此同時，預測到現在也大概發現了，預測「股價」這件事其實資量仍然不夠，而且很容易學起「小撇步」，因為這個模仿的動作可以使loss降到最低。

一、混合正規測試

之所以使用混合正規的原因，不外乎是希望訓練出來的模型不要繼續跟屁了! 然而怎麼正規呢?

• 局部漲跌幅正規
  • 將漲跌幅資訊使用局部正規來實現，但後來考慮應該沒有意義所以沒有實測(應該是隻跟屁蟲)
• 平均股價漲跌幅預測
  • 我希望輸入的「局部股價正規」可以預測「明日的漲跌幅」。
  • 優點在於其輸出就必須透過看輸入中的每個值才能預測，缺點則是完全不知道能不能收斂

二、測試結果

小生失誤，下方結果(除了參數不同組外)皆不小心延後了一天，但仍不影響結論

|輸入天數|Loss|輸出結果|
|---|---|---|---|
|60|||
|30|||
|10|||
|20(參數不同)|||
|40(參數不同)|||

參數不同是想說使用大batch和多的epochs讓它學看看，雖然多了幾分看似有點道理的成分，但總歸還是有點在模仿。雖然厲害的地方在於它的確有學到掃過整個天數(畢竟我的漲跌幅是用local mean的)。

• 參數不同的測試
  • 20天 : input_days = 20, epochs = 500, batch_size = 250, offset = 0.
  • 40天 : input_days = 40, epochs = 200, batch_size = 250, offset = 0.

從結果上來看，它好像可以一定程度上有達到預測效果 (啊~我的眼睛業障重
我之後可能會使用混合正規的方式繼續實驗看看XD

程式碼

LSTM_04 :: mix normalization