零、引言

這篇是實戰前的測試路系列最終章，先回顧一下之前的系列

• 實戰前的測試路(三) :: 混合正規測試
• 實戰前的測試路(二) :: 加入第二個變數
• 實戰前的測試路(一) :: 正規化資料

前幾篇的測試都是以預測「明日股價」為目標，而今天測試則以「我今天該執行什麼動作」為目標。資料部分，同樣使用「局部正規」的方式，並加入「交易量」資訊。預測行動有三 :

• 賣 : 當認為明天的價格會跌超過 offset_change% 時，則應當賣
• 買 : 當認為明天的價格會漲超過 offset_change% 時，則應當買
• 不動作 : 當認為明天的價格會在 -offset_change% ~ offset_change% 的浮動內，則不動作進行觀察

除此之外，會簡單比較一下優化器sgd、adam和Radam結果，和batch_size大小的取捨

這其實是上一篇正規的延伸，昨天我做完想說...
漲跌幅，如果都是正的， 幹嘛還分 "正多少?" 買就是對啊! ，所以當然要來動手測看看

一、optimizer和batch_size

1. 簡單測試optimizer

optimizer	LOSS	predict	with_choose 50
sgd			-
Adam
RAdam

會發現，sgd非常的棒，慢慢地收斂但方向是對的，唯一缺點就是太慢了! 跑了1000 epochs結果loss還沒降到比adam的epochs 50還低。而Radam好像要比adam降得更慢些，但根據Radam在網路上評價，我還是使用看看好了。

2. batch_size 大小取捨

• batch_size大，訓練速度快，對於「全局」資料有較好擬合
• batch_size小，訓練非常慢，對於較為浮動的資料可以較好的擬合

days	batch_size	LOSS	predict
60	250
60	50

考慮測試輸出的效益...我決定選小的!

二、非股價預測測試結果

我希望去預測我的行動，今天該不該買，或是該不該賣? 下方的測試是以輸入n天前的「局部正規」資料，希望預測出個個動作的機率，並採取最高分數的動作來執行。這個網路結構其實也同前幾篇一樣，只是我們改變輸出為one hot classification而已。 資料預處理部分，今天的測試只針對「明天一天」的結果，我們並不需要去預測後天或是大後天等等。 那就來看看測試結果吧!

• 參數
  • epochs = 250/500
  • batch_size = 50
  • optimizer = Radam

days	offset	LOSS	predict
60	0.02
30	0.02
10	0.02
60	0.01
30	0.01
10	0.01

三、結果觀察

先道歉，其實又有天數位移細節沒有弄好...但重新訓練真的太久了，check point也被我over write了，所以直接口頭平移(? 除了offset=0.01外其他都要往左兩天Orz 萬分抱歉Orz

今天的結果我認為滿特別的，甚至可以說是與前幾篇的結果是相反的。其中10、30和60天的特性都不太一樣，30天的輸出都是「全部買就對了」，這可能跟dataset有關係，10和60可能就沒有這麼剛好了。 下方我做個簡單表格整理一下...

• 如果從歷史的資料來看

  • 
  • 儘管遇上testing data 那種圖形，持續要「買」的動作其實不能算錯

• 但不論如何，我今天有測出一個我滿想看到的圖形

  • 

: 「可能要停漲了，賣掉好了... 然後竟然還多漲一天，那我再加碼」
都能聽到類似的獨白了Orz
綜上來說，接下來進行實測的部分可能會針對action來做預測，以上就是實戰前的測試路系列

下一步-未定 (???

程式碼

LSTM_05 :: action