الأسي الحركة من المتوسط - نمباي

هذا هو المجمع بايثون ل تا-ليب على أساس سيثون بدلا من سويغ. من الصفحة الرئيسية: يتم استخدام تا-ليب على نطاق واسع من قبل مطوري برامج التداول التي تتطلب إجراء تحليل تقني لبيانات السوق المالية. ويشمل 150 مؤشرات مثل أدكس، ماسد، رسي، ستوشاستيك، بولينجر باند، الخ. شمعدان التعرف على نمط مفتوحة المصدر أبي ل سيسي، جافا، بيرل، بيثون و 100 مدارة الأصلي بيثون ربط استخدام سويغ التي للأسف من الصعب تثبيت و أرينت بقدر ما يمكن أن تكون فعالة. ولذلك يستخدم هذا المشروع سيثون و نومبي لربط بكفاءة ونظيفة ل تا-ليب - إنتاج النتائج 2-4 مرات أسرع من واجهة سويغ. تثبيت تا-ليب أو قراءة المستندات كما هو الحال مع تا-ليب، توفر واجهة الوظيفة مجموعة خفيفة من مؤشرات تا-ليب المكشوفة. تقوم كل دالة بإرجاع صفيف مخرجات ولها قيم افتراضية لمعلماتها، ما لم يتم تحديدها كوسيطات للكلمات الرئيسية. عادة، هذه الوظائف سوف يكون فترة الاسترجاع الأولية (عدد المطلوب من الملاحظات قبل إنتاج الناتج) تعيين إلى نان. تستخدم كل الأمثلة التالية الدالة أبي: حساب متوسط ​​متحرك بسيط لأسعار الإغلاق: حساب نطاقات البولينجر، مع المتوسط ​​المتحرك الأسي الثلاثي: حساب الزخم لأسعار الإغلاق، مع فترة زمنية من 5: ملخص أبي البدء السريع إذا كنت مألوفة بالفعل باستخدام أبي وظيفة، يجب أن تشعر الحق في المنزل باستخدام أبي مجردة. كل وظيفة تأخذ نفس المدخلات، مرت كقاموس صفائف نومبي: يمكن إما أن يتم استيراد وظائف مباشرة أو مثبتة بالاسم: من هناك، وظائف الدعوة هي في الأساس نفس أبي وظيفة: تعرف على المزيد من الاستخدام المتقدم من تا-ليب هنا . المؤشرات المدعومة يمكننا عرض جميع وظائف تا المدعومة من قبل تا-ليب، إما كقائمة أو كملف تم فرزها حسب المجموعة (مثل دراسات التداخل ومؤشرات الزخم، الخ): الدالة المجموعات تحليل سلسلة زمنية بسيطة من مؤشر سامب 500 في هذا بلوق دراسة جيدة بعض التقنيات الشائعة المستخدمة في تحليل السلاسل الزمنية من خلال تطبيقها على مجموعة بيانات تحتوي على القيم الختامية اليومية لمؤشر سوق الأسهم سامب 500 من 1950 حتى يومنا هذا. والهدف هو استكشاف بعض الأفكار والمفاهيم الأساسية من تحليل السلاسل الزمنية، ومراقبة آثارها عند تطبيقها على مجموعة بيانات العالم الحقيقي. على الرغم من أنه من غير الممكن التنبؤ بالتغيرات في الفهرس باستخدام هذه التقنيات، إلا أن الأفكار المعروضة هنا يمكن أن تستخدم نظريا كجزء من استراتيجية أكبر تتضمن العديد من المتغيرات الإضافية لإجراء الانحدار أو جهد التعلم الآلي. تحليل سلسلة زمنية هو فرع من الإحصاءات التي تنطوي على التفكير حول تسلسل أوامر من القيم ذات الصلة من أجل استخراج إحصاءات ذات مغزى وخصائص أخرى من البيانات. تستخدم في مجموعة واسعة من التخصصات بما في ذلك الاقتصاد القياسي، ومعالجة الإشارات، والتنبؤ بالطقس، وأساسا أي حقل آخر ينطوي على البيانات سلسلة الوقت. وغالبا ما تستخدم هذه التقنيات لتطوير النماذج التي يمكن استخدامها لمحاولة التنبؤ القيم المستقبلية لسلسلة، إما من تلقاء نفسها أو بالتنسيق مع المتغيرات الأخرى. للبدء، يتيح أولا تنزيل البيانات. حصلت على مجموعة البيانات التاريخية من ياهو المالية. والذي يتضمن وصلة لتحميل كل شيء كملف كسف. الآن يمكننا تحميل ما يصل مجموعة البيانات ونلقي نظرة. سوء استخدام العديد من مكتبات بيثون شعبية للتحليل، لذلك كل من التعليمات البرمجية في بيثون. البيانات في الترتيب الزمني العكسي لذلك أنا فرزها حسب التاريخ ثم قم بتعيين مؤشر إطار البيانات إلى عمود التاريخ. إذا نظرتم إلى البيانات هناك العديد من المجالات ولكن أيضا التركيز على سعر الإغلاق فقط. يتيح مؤامرة البيانات أولا ونرى ما يبدو. أول شيء واضح أن نلاحظ، وبصرف النظر عن الانخفاضات العملاقة في نهاية الذيل المقابلة لتعطل السوق في عامي 2002 و 2008، هو أن البيانات بشكل واضح غير ثابتة. وهذا أمر منطقي بالنسبة لبيانات السوق لأنه يميل إلى الارتفاع على المدى الطويل أكثر مما ينخفض. هذه مشكلة لتحليل السلاسل الزمنية على الرغم من أن البيانات غير ثابتة من الصعب أن نتساءل عنها. أول شيء يمكننا أن نحاول هو الفرق الأول من هذه السلسلة. وبعبارة أخرى، طرح القيمة السابقة t-1 من القيمة t الحالية للحصول على الفرق d (t). البيانات لم يعد يبدو أن تتجه مع مرور الوقت، وبدلا من ذلك تركزت حول 0. ثيرز مشكلة أخرى على الرغم من. انظر إلى التباين. في وقت مبكر جدا في وقت مبكر ويزيد باطراد مع مرور الوقت. هذه علامة على أن البيانات ليست فقط غير ثابتة ولكن أيضا زيادة أضعافا مضاعفة. حجم الاختلافات يوما بعد يوم في الوقت الحاضر قزم تماما من حجم التغيرات في عام 1950. للتعامل مع هذا، وكذلك تطبيق سجل تحويل إلى السلسلة الأصلية. بحيث يعطينا سعر الإغلاق الأصلي مع تحويل سجل تطبيقها على تسطيح البيانات من منحنى أسي إلى منحنى خطي. طريقة واحدة لرؤية بصريا تأثير أن تحويل السجل كان لتحليل التباين مع مرور الوقت. يمكننا استخدام إحصائية تباين إحصائية ومقارنة كل من السلسلة الأصلية وسلسلة تسجيل. لاحظ أنه في الرسم البياني العلوي، ونحن غير قادر حتى نرى أي من الاختلافات حتى أواخر 80s. في الرسم البياني السفلي ولكن لها قصة مختلفة، والتغيرات في قيمة واضحة للعيان في جميع أنحاء مجموعة البيانات بأكملها. من وجهة النظر هذه، من الواضح أن تحولنا جعل التباين ثابتا نسبيا. الآن يمكننا أن نرى الاختلافات السابقة في مجموعة البيانات أفضل قليلا من ذي قبل. ما زلنا بحاجة إلى اتخاذ الفرق الأول على الرغم من ذلك يتيح حساب ذلك من سلسلة تسجيل. أفضل بكثير لدينا الآن نموذج سلسلة الوقت ثابتة من التغييرات اليومية إلى مؤشر سامب 500. الآن يتيح إنشاء بعض المتغيرات تأخر ذ (ر - 1)، ص (ر - 2) الخ ودراسة علاقتها y (ر). ننظر جيدا في 1 و 2 يوما تتخلف جنبا إلى جنب مع التأخر الأسبوعية والشهرية للبحث عن الآثار الموسمية. طريقة مرئية مثيرة للاهتمام لتقييم العلاقة بين المتغيرات المتخلفة هي القيام بمؤامرة مبعثر للمتغير الأصلي مقابل المتغير المتأخر ونرى أين يكمن التوزيع. يمكننا القيام بذلك مع مؤامرة مشتركة باستخدام حزمة بحار. لاحظ كيف معبأة بإحكام الكتلة حوالي 0. ​​ويبدو أيضا أن تكون موزعة بالتساوي جدا - التوزيعات الهامشية على كلا المحورين طبيعية تقريبا. ويبدو أن هذا يشير إلى أن معرفة قيمة المؤشر يوم واحد لا تخبرنا كثيرا عما ستفعله في اليوم التالي. وربما لا يكون من المستغرب أن يكون هناك علاقة ضئيلة جدا بين التغير في القيمة من يوم لآخر. على الرغم من أنني لم أرسم لهم هنا، فإن المتغيرات الأخرى المتأخرة التي أنشأناها أعلاه تظهر نتائج مماثلة. يمكن أن تكون هناك علاقة لخطوات التأخير الأخرى التي حاولنا حاولت، ولكن من غير العملي لاختبار كل قيمة تأخر المحتملة يدويا. لحسن الحظ هناك فئة من الوظائف التي يمكن أن تفعل ذلك بانتظام بالنسبة لنا. وتحسب دالة الترابط التلقائي العلاقة بين المتغير ونفسه عند كل تخلف يصل إلى حد معين (في هذه الحالة 40). تحسب دالة الترابط التلقائي الجزئي الارتباط في كل خطوة تأخر لم يتم شرحها مسبقا بخطوات تأخر سابقة أو أقل. يمكننا رسم النتائج لمعرفة ما إذا كان هناك أي ارتباطات كبيرة. إن الارتباط التلقائي ونتائج الارتباط الذاتي الجزئي قريبة جدا من بعضها البعض (لقد رسمت فقط نتائج الترابط التلقائي أعلاه). ما يظهر هذا هو أنه لا يوجد ارتباط كبير (0.2) بين القيمة في الوقت t وفي أي وقت قبل t تصل إلى 40 خطوات وراء. في ترتيب الكلمات، وسلسلة هو المشي العشوائي. تقنية أخرى مثيرة للاهتمام يمكننا أن نحاول هو التحلل. هذا هو الأسلوب الذي يحاول كسر سلسلة زمنية في الاتجاه، الموسمية، والعوامل المتبقية. ستاتسموديلز يأتي مع وظيفة تتحلل من خارج منطقة الجزاء. وبما أننا لا نرى أي دورة حقيقية في البيانات، والتصور ليست فعالة في هذه الحالة. للبيانات حيث يكون هذا النمط الموسمي القوي على الرغم من أنه يمكن أن يكون مفيدا جدا. مثال على ذلك، مثال على ذلك، هو عينة من وثائق إحصائية تظهر بيانات انبعاثات ثاني أكسيد الكربون على مر الزمن. التحلل هو أكثر فائدة في هذه الحالة. هناك ثلاثة مكونات واضحة بوضوح للسلاسل الزمنية - خط الاتجاه، والتكيف الموسمي، والقيم المتبقية. وسيحتاج كل منها إلى حسابها ووضع نماذج لها على النحو المناسب. بالعودة إلى بيانات المخزون لدينا، لوحظ بالفعل أن المشي العشوائي وأن متغيراتنا المتأخرة لا يبدو أن لها تأثير كبير، ولكن لا يزال بإمكاننا محاولة تركيب بعض نماذج أريما ونرى ما نحصل عليه. لنبدأ بنموذج متوسط ​​متحرك بسيط. حتى للوهلة الأولى يبدو أن هذا النموذج هو القيام بشكل جيد. ولكن على الرغم من أنه يبدو أن التوقعات قريبة حقا (خطوط لا يمكن تمييزها تقريبا بعد كل شيء)، تذكر أننا استخدمنا سلسلة أون-ديفيرنتد مؤشر فقط يتقلب نسبة صغيرة يوما بعد يوم نسبة إلى إجمالي القيمة المطلقة. ما نريده حقا هو التنبؤ بالفرق الأول، أو التحركات يوما بعد يوم. يمكننا إما إعادة تشغيل النموذج باستخدام سلسلة ديفيرنسد، أو إضافة مصطلح I إلى نموذج أريما (مما أدى إلى نموذج (1، 1، 0) التي يجب أن تحقق نفس الشيء. يتيح محاولة استخدام سلسلة ديفيرنسد. من الصعب قليلا أن أقول، ولكن يبدو مثل التغيرات المتوقعة لدينا هي عموما أصغر بكثير من التغييرات الفعلية. قد يكون من المفيد أن نلقي نظرة فاحصة على مجموعة فرعية من البيانات لنرى ما يحدث حقا. حتى الآن من الواضح جدا أن التنبؤ هو الطريق قبالة. كان يتنبأ بتغيرات صغيرة صغيرة مقارنة بما يحدث في الواقع يوما بعد يوم. مرة أخرى، هذا هو أقل من المتوقع مع نموذج متوسط ​​متحرك بسيط من سلسلة زمنية المشي العشوائية. ثيرس ما يكفي من المعلومات من الأيام السابقة لبث بدقة ما سيحدث في اليوم التالي. لا يظهر نموذج المتوسط ​​المتحرك للقيام بذلك بشكل جيد. ماذا عن نموذج التجانس الأسي ينتشر التجانس الأسي تأثير القيم السابقة باستخدام الترجيح الأسي، لذلك الأمور التي حدثت في الآونة الأخيرة كانت أكثر تأثيرا من الأشياء التي حدثت منذ فترة طويلة. ربما هذا النموذج أكثر ذكاء من المتوسط ​​سيكون أكثر دقة يمكنك ربما تخمين الجواب. إذا كان التنبؤ بسوق الأوراق المالية بهذه السهولة، فإن الجميع سوف يفعل ذلك كما ذكرت في الأعلى، وكان نقطة من هذا التحليل أن يدعي أنه يمكنك التنبؤ بالسوق مع هذه التقنيات، وإنما لإظهار أنواع التحليل واحد قد استخدام عند كسر البيانات سلسلة الوقت. تحليل سلسلة الوقت هو حقل غني جدا مع الكثير من التحليل الفني مما ذهبت إلى هنا (الكثير من ما لا يزال التعلم). إذا كنت ترغب في القيام الغوص أعمق، أوصي هذه الملاحظات من أستاذ في ديوك. وهناك الكثير مما تعلمت عن المجال أنا التقطت من قراءة الموارد على الانترنت مثل هذا واحد. وأخيرا، يتم استضافة شفرة المصدر الأصلية من هذه المشاركة على جيثب هنا. جنبا إلى جنب مع مجموعة متنوعة من أجهزة الكمبيوتر المحمولة الأخرى. لا تتردد في التحقق من ذلك اتبعني على تويتر للحصول على التحديثات وظيفة جديدة. تنفيذ دفعة التطبيع في تنسورفلو الثلاثاء 29 مارس 2016 دفعة التطبيع، كما هو موضح في ورقة مارس 2015 (ورقة BN2015) من قبل سيرغي ايوف ومسيحي سيجيدي، هو بسيط وطريقة فعالة لتحسين أداء الشبكة العصبية. في ورقة BN2015، يوف وزيجيدي تبين أن التطبيع دفعة تمكن من استخدام معدلات التعلم العالي، ويعمل كمنظم ويمكن تسريع التدريب من قبل 14 مرة. في هذا المنصب، وأظهر كيفية تنفيذ التطبيع دفعة في تنسورفلو. عدل 071216. إيف تحديث هذه الوظيفة لتغطية حساب متوسط ​​السكان والتباين في وقت الاختبار بمزيد من التفصيل. تحرير 020816. في حال كنت تبحث عن التطبيع دفعة متكررة (أي من كويجمانز وآخرون (2016))، لقد قمت بتحميل تنفيذ تنسورفلو العمل هنا. الجزء الصعب فقط من التنفيذ، بالمقارنة مع تطبيع دفعة فيدفوروارد قدم هذا المنصب، وتخزين متغيرات السكان منفصلة لخطوات زمنية مختلفة. ويهدف التطبيع دفعة المشكلة إلى حل المشكلة التالية: التغييرات في المعلمات نموذج أثناء التعلم تغيير توزيعات مخرجات كل طبقة مخفية. وهذا يعني أن الطبقات اللاحقة تحتاج إلى التكيف مع هذه التغييرات (في كثير من الأحيان صاخبة) أثناء التدريب. دفعة التطبيع باختصار لحل هذه المشكلة، ورقة BN2015 يحفز تطبيع دفعة من المدخلات إلى وظيفة تفعيل كل نورون (على سبيل المثال كل وظيفة السيني أو ريلو) أثناء التدريب، بحيث المدخلات إلى وظيفة التنشيط عبر كل دفعة التدريب لديها (0) و (ب)) سيغما (بن (وس ب)) حيث يكون (بن) هو تحويل تطبيع دفعة. تحويل التطبيع إلى دفعة لتطبيع قيمة عبر دفعة (أي دفعة تطبيع القيمة)، نطرح متوسط ​​الدفعة، (موب). وتقسيم النتيجة عن طريق الانحراف المعياري الدفعة، (سرت). لاحظ أن ثابت صغير (إبسيلون) يضاف إلى التباين من أجل تجنب تقسيم بنسبة صفر. وهكذا، فإن دفعة الأولي تطبيع تحويل قيمة معينة، (11). هو: بن (إكسي) فراك لأن تحويل تطبيع دفعة المذكورة أعلاه يقيد المدخلات إلى وظيفة التنشيط لتوزيع طبيعي موصوف، وهذا يمكن أن تحد من القوة التمثيلية للطبقة. ولذلك، فإننا نسمح للشبكة بالتراجع عن تحويل دفعة التطبيع عن طريق الضرب بمعلمة مقياس جديد (غاما) وإضافة معلمة شيفت جديدة (بيتا). (غاما) و (بيتا) معلمات قابلة للتعلم. إضافة (غاما) و (بيتا) إنتاج الدفعة النهائية التالية تطبيع التحويل: بن (إكسي) غاما (فراك) بيتا تنفيذ التطبيع دفعة في تنسورفلو سنضيف تطبيع دفعة لشبكة العصبية الأساسية متصلة تماما التي لديها طبقتين مخفي من 100 الخلايا العصبية كل وتظهر نتيجة مماثلة إلى الشكل 1 (ب) و (ج) من ورقة BN2015. لاحظ أن هذه الشبكة ليست مناسبة عموما بعد للاستخدام في وقت الاختبار. انظر القسم جعل التنبؤات مع نموذج بيلو للسبب، فضلا عن نسخة ثابتة. الواردات، التكوين