The Unreasonable Effectiveness of Recurrent Neural Networks: differenze tra le versioni
(Creata pagina con "Titolo: Titolo::The Unreasonable Effectiveness of Recurrent Neural Networks Anno di pubblicazione: AnnoDiPubblicazione::2015 Autore: Autore::Andrej Karpathy URL: URL::https://karpathy.github.io/2015/05/21/rnn-effectiveness/ Topic: Topic::Efficienza delle RNN nella generazione di testi __SHOWFACTBOX__") |
Nessun oggetto della modifica |
||
| (Una versione intermedia di un altro utente non mostrate) | |||
| Riga 1: | Riga 1: | ||
{{template pubblicazione | |||
|data=2015 | |||
|autori=M. Fabbri, G. Moro | |||
|URL=https://www.semanticscholar.org/paper/36c5bab50e0b8764bfdeefee09f9b1798686ed24 | |||
|topic=RNN | |||
|citazioni=25 | |||
URL | }} | ||
Sebbene le reti neurali ricorrenti (RNN) superino gli algoritmi di apprendimento automatico tradizionali nell'individuazione di dipendenze a lungo termine tra le istanze di addestramento, come nelle sequenze di termini nelle frasi o tra valori nelle serie temporali, sorprendentemente pochi studi finora hanno implementato soluzioni concrete con RNN per la negoziazione del mercato azionario. Presumibilmente le attuali difficoltà nell'addestramento delle RNN hanno contribuito a scoraggiarne l'ampia adozione. Questo lavoro presenta una soluzione semplice ma efficace, basata su una RNN profonda, i cui guadagni nel trading con Dow Jones Industrial Average (DJIA) superano lo stato dell'arte, inoltre il guadagno è superiore del 50% rispetto a quello prodotto da simili reti neurali profonde feed forward. Le azioni di trading sono guidate dalle previsioni dei movimenti di prezzo del DJIA, utilizzando semplicemente la sua serie storica pubblicamente disponibile. Per migliorare l'affidabilità dei risultati rispetto alla letteratura, abbiamo sperimentato l'approccio su un lungo periodo consecutivo di 18 anni di serie storiche DJIA, dal 2000 al 2017. In 8 anni di trading nel periodo del set di test dal 2009 al 2017, la soluzione ha quintuplicato il capitale iniziale, inoltre poiché il DJIA ha in media un trend crescente, abbiamo testato l'approccio anche con un trend mediamente decrescente invertendo semplicemente la stessa serie storica del DJIA. In questo caso estremo, in cui difficilmente un investitore rischierebbe denaro, l'approccio ha più che raddoppiato il capitale iniziale. | |||
Versione attuale delle 10:53, 17 ago 2024
| The Unreasonable Effectiveness of Recurrent Neural Networks | |
|---|---|
| Data | 2015 |
| Autori | M. Fabbri, G. Moro |
| URL | https://www.semanticscholar.org/paper/36c5bab50e0b8764bfdeefee09f9b1798686ed24 |
| Topic | RNN |
| Citazioni | 25 |
Sebbene le reti neurali ricorrenti (RNN) superino gli algoritmi di apprendimento automatico tradizionali nell'individuazione di dipendenze a lungo termine tra le istanze di addestramento, come nelle sequenze di termini nelle frasi o tra valori nelle serie temporali, sorprendentemente pochi studi finora hanno implementato soluzioni concrete con RNN per la negoziazione del mercato azionario. Presumibilmente le attuali difficoltà nell'addestramento delle RNN hanno contribuito a scoraggiarne l'ampia adozione. Questo lavoro presenta una soluzione semplice ma efficace, basata su una RNN profonda, i cui guadagni nel trading con Dow Jones Industrial Average (DJIA) superano lo stato dell'arte, inoltre il guadagno è superiore del 50% rispetto a quello prodotto da simili reti neurali profonde feed forward. Le azioni di trading sono guidate dalle previsioni dei movimenti di prezzo del DJIA, utilizzando semplicemente la sua serie storica pubblicamente disponibile. Per migliorare l'affidabilità dei risultati rispetto alla letteratura, abbiamo sperimentato l'approccio su un lungo periodo consecutivo di 18 anni di serie storiche DJIA, dal 2000 al 2017. In 8 anni di trading nel periodo del set di test dal 2009 al 2017, la soluzione ha quintuplicato il capitale iniziale, inoltre poiché il DJIA ha in media un trend crescente, abbiamo testato l'approccio anche con un trend mediamente decrescente invertendo semplicemente la stessa serie storica del DJIA. In questo caso estremo, in cui difficilmente un investitore rischierebbe denaro, l'approccio ha più che raddoppiato il capitale iniziale.