Что едят нейросети и чем кормить вашу

Что едят нейросети

По мотивам предыдущего поста smart-lab.ru/blog/683242.php продолжаю экспериметы на тему «как обчистить рынок».
Сегодня будет прототип сети, подготовка данных, оценка и обучение результатов.

Инструмент: SPBFUT.SiH1
Период: 14.12.2020 — 17.03.2021

1. Архитектура сети

Сначала пару слов о сети — вот так она выглядит. Просто, примитивненько, но вполне достаточно для того, чтобы понять, будет ли это работать в принципе.
Если обучить её лучше, чем «угадай», то есть 50%, не получится, значит, что-то пошло не так.

У сети 4 входа и 1 выход. Кушать она будет цены, объёмы, сигналы ценовых данных и значения индикаторов.
Но сырыми она их есть не может, потому что случится у сети несварение, поэтому их нужно подготовить — нормализовать.
На выходе же у нас будет слой с тремя нейронами, каждый из которых будет содержать в себе вероятность действия (покупать, продавать, ничего не делать).

Мощность нейросети получилась относительно небольшая — чуть больше миллиона нейронов.
Total params: 1,328,387
Trainable params: 1,325,827
Non-trainable params: 2,560

Если сначала просто посмотреть на корреляции между входными параметрами, можно увидеть, что некоторые скармливать нейросети смысла большого нет. Так что разумно сначала проанализировать графическим, наглядным способом, а есть ли какие-то корреляции в данных.

Что мы тут видим? Это данные для всех баров покупок. И, например, видно, что покупки в подавляющем большинстве случаев осуществлялись на тех барах, где цена открытия стремилась к high, а цена закрытия стремилась к low (пересечения % open и % close). Парадоксально? Нет, всё на самом деле так и есть. Статистика — мощная вещь.
Так же видно, что покупки очень редко осуществляются, когда %K стохастика > 60%.

2. Нормализация данных
Нейросети очень не любят больших разбросов в данных, поэтому их входы лучше бы нормализовать перед тем, как начинать обучение.
Самый простой способ — привести значения к диапазону 0..1 или -1..1 или даже -3..3.

Я использовал простой метод: norm_price = price — min(price) / max(price) — min(price).
Точно так же я поступил со всеми остальными значениями, которые не являются сигналами — привёл их к диапазону 0..1.

Сами же сигналы у меня уже в этом диапазоне, например, тип свечи:
растущая (1 или 0)
падающая (1 или 0)
дожи/крест/звезда (1 или 0)

Таким образом, на третий вход поступает вектор из трёх нулей или единиц, а на остальные — нормализованные в диапазоне 0..1 значения.

Это эксперимент, поэтому много над сигналами я не размышлял, но посыл понятен — они должны быть закодированы нулём или единицей.
И, на мой взгляд, их должны быть два класса, поступающие на разные входы:
статические сигналы — это сигналы, для расчёта которых достатиочно данных одной свечки (например, дожи, как выше, или «значение индикатора в зоне перекпленности»),
динамические сигналы — это сигналы, для расчёта которых нужны данные нескольких свечек (например, три белых солдата, или «быстрая пересекла медленную»)

3. Разметка
Чтобы обучить нейросеть, необходимо подать ей на вход фичи и рядом показать, что они обозначают — в нашем случае покупку, продажу или ожидание.
Для этого нужно было разметить каждый бар так, чтобы он попадал в один из трёх классов — бары, хорошие для покупок, для продаж, или плохие и для того, и для другого.
На исторических данных это сделать было несложно, и много времени это не заняло.
Делалось это, разумеется не руками, а несложным алгоритмом, предусловием было только то, что прибыль должна быть максимальная, и позиция может только переворачиваться, то есть с начала и до экспирации мы в рынке, чтобы высосать весь профит полностью.
Таким образом, для каждого бара нарисовался вектор, тоже из нулей и единиц, длиной 3.

4. Обучение

Учились мы для надёжности на 5.000 эпохах, что заняло не очень много времени — десятки минут.
Точность на последней составила val_accuracy: 0.8919, что означает, что в 89% случаев НС угадала верно.
График обучения выглядел так:

Видно, что уже за первые 500 эпох точность подошла к 80%, и дальше увеличивалась уже гораздо медленнее.

5. Результаты

И вот что получилось в результате эксперимента:
Класс: 0 (покупать)
Корректных предсказаний: 154, а в выборке: 361, и это в %: 42.7
Ошибочных предсказаний: 902
Верных предсказаний, %: 14.6
Класс: 1 (продавать)
Корректных предсказаний: 148, а в выборке: 380, и это в %: 38.9
Ошибочных предсказаний: 1020
Верных предсказаний, %: 12.7
Класс: 2 (ждать)
Корректных предсказаний: 16307, а в выборке: 18224, и это в %: 89.5
Ошибочных предсказаний: 434
Верных предсказаний, %: 97.4

Из этого очевидно, следует несколько выводов:
1. Даже эта нейросеть будет неплохо фильтровать бары, на которых НЕ нужно совершать сделки. Она правильно отфильтрует 89% таких баров.
2. Использовать её непосредственно для входа в сделку в данном виде нельзя, потому что относительные ошибки для классов 0 и 1 очень велики.
3. Можно использовать её вместе с другими инструментами для взаимного подтверждения сигналов.
4. Нужно исследовать распределение качества в предсказании классов, подав на вход больше как прямых ценовых сигналов, так и сигналов индикаторов.

А теперь скажите мне, где и в чём я ошибся :)