自訂損失函式

到目前為止，我們一直使用均方誤差作為損失函式。這樣做沒問題，不過在股價預測上，自訂損失函式會更有幫助。自訂損失函式可以針對我們在意的方向來提升模型表現。例如，我們要建立一個自訂損失函式，對於「預測的漲跌方向」與實際相反的情況給予較大的懲罰。這可以幫助網路至少學會正確預測價格的變動方向。

為了做到這點，我們需要撰寫一個接受 (y_true, y_predicted) 作為引數的函式。我們也會使用後端 keras（使用 tensorflow）的功能，找出實際值與預測值符號不一致的情況，然後對那些情況施加懲罰。

本練習屬於課程

Python 金融 Machine Learning

檢視課程

練習說明

將 sign_penalty() 函式的引數設為 y_true 與 y_pred。
當 y_true 與 y_pred 的符號不同時，將平方誤差（tf.square(y_true - y_pred)）乘上 penalty。
從函式回傳 loss 變數的平均值——這就是均方誤差（另外包含了對於預測與實際符號相反時的懲罰）。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

import keras.losses
import tensorflow as tf

# Create loss function
def sign_penalty(____, ____):
    penalty = 100.
    loss = tf.where(tf.less(y_true * y_pred, 0), \
                     ____ * tf.square(y_true - y_pred), \
                     tf.square(y_true - y_pred))

    return tf.reduce_mean(____, axis=-1)

keras.losses.sign_penalty = sign_penalty  # enable use of loss with keras
print(keras.losses.sign_penalty)

編輯並執行程式碼