Varlık fiyatı tahmini
Artık bir sinir ağını bir varlık fiyatını tahmin etmek için kullanabilirsin; bu, hem niceliksel finans analizinin hem de risk yönetiminin önemli bir parçasıdır.
Citibank, Goldman Sachs ve J. P. Morgan'ın 2005-2010 hisse fiyatlarını kullanarak, Morgan Stanley hissesinin fiyatını tahmin edecek bir ağ eğiteceksin.
Bir giriş katmanı, bir çıkış katmanı ve iki gizli katmandan oluşan bir sinir ağı oluşturup eğiteceksin.
Ardından, 2005-2010 döneminde tahmin edilen Morgan Stanley fiyatlarının gerçek değerlerden ne kadar saptığını görmek için bir saçılma grafiği gösterilecek. (Tahminler kusursuzsa, ortaya çıkan saçılma grafiğinin 45 derecelik çizgi üzerinde yer alacağını unutma.)
Sequential ve Dense nesneleri ile 2005-2010 dönemindeki yatırım bankası fiyatlarını içeren prices DataFrame'i hazır.
Bu egzersiz, kursun bir parçasıdır
Python ile Nicel Risk Yönetimi
Egzersiz talimatları
- Girdi verisini Morgan Stanley dışındaki tüm banka
pricesolarak, çıktı verisini ise yalnızca Morgan Stanley'ninpricesverisi olarak ayarla. - İki
Densegizli katmanlı birSequentialsinir ağımodeli oluştur: ilki 16 nöronlu (ve üç giriş nöronlu), ikincisi 8 nöronlu olsun. - Morgan Stanley'nin fiyatını temsil etmek için 1 nöronlu tek bir Dense çıkış katmanı ekle.
- Sinir ağını derle ve
modeli fit ederek eğit.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()