MulaiMulai sekarang secara gratis

Prediksi harga aset

Sekarang Anda dapat menggunakan neural network untuk memprediksi harga aset, yang merupakan komponen besar dalam analisis keuangan kuantitatif serta manajemen risiko.

Anda akan menggunakan harga saham tahun 2005–2010 dari Citibank, Goldman Sachs, dan J. P. Morgan untuk melatih jaringan agar memprediksi harga saham Morgan Stanley.

Anda akan membuat dan melatih neural network dengan satu input layer, satu output layer, dan dua hidden layer.

Kemudian sebuah scatter plot akan ditampilkan untuk melihat seberapa jauh harga Morgan Stanley yang diprediksi dari nilai aktualnya selama 2005–2010. (Ingat bahwa jika prediksi sempurna, scatter plot akan berada pada garis 45 derajat pada plot.)

Objek Sequential dan Dense tersedia, begitu pula DataFrame prices yang berisi harga bank investasi dari 2005–2010.

Latihan ini adalah bagian dari kursus

Manajemen Risiko Kuantitatif dengan Python

Lihat Kursus

Petunjuk latihan

  • Tetapkan data masukan sebagai semua prices bank kecuali Morgan Stanley, dan data keluaran sebagai hanya prices milik Morgan Stanley.
  • Buat model neural network Sequential dengan dua hidden layer Dense: yang pertama dengan 16 neuron (dan tiga neuron input), dan yang kedua dengan 8 neuron.
  • Tambahkan satu output layer Dense berisi 1 neuron untuk merepresentasikan harga Morgan Stanley.
  • Lakukan compile pada neural network, dan latih dengan melakukan fit pada model.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Set the input and output data
training_input = prices.____('Morgan Stanley', axis=1)
training_output = prices['Morgan Stanley']

# Create and train the neural network with two hidden layers
model = ____()
model.add(Dense(16, input_dim=____, activation='sigmoid'))
model.add(____(8, activation='relu'))
model.add(____(1))

model.____(loss='mean_squared_logarithmic_error', optimizer='rmsprop')
model.____(training_input, training_output, epochs=100)

# Scatter plot of the resulting model prediction
axis.scatter(training_output, model.predict(training_input)); plt.show()
Edit dan Jalankan Kode