＂BNN贝叶斯神经网络(Bayesian Neural Network;)＂预测实现金融市场价格 code代写教程

作者：Alex Honchar

机器之心编译

参与：陈韵竹、李泽南

跟着人工智能技能的遍及，用机器学习猜测市场价格动摇的办法最近层出不穷。本文中，Alex Honchar 介绍了运用概率编程和 Pyro 进行价格猜测的办法，相较于惯例神经网络，新办法关于数据的依靠程度更小，作用更精确。在试验中，作者挑选了最近盛行的虚拟钱银「以太币」作为实例进行价格猜测。

上一年我曾宣布过几篇有关运用神经网络进行金融价格猜测的教程，我以为其间有一部分作用至少还挺有意思，而且值得在实践买卖中加以运用。假如你阅览过这些文章，你必定注意到一个现象：当你企图将一些机器学习模型运用于「随机」数据并期望从中找到躲藏规律的时分，练习进程往往会发作严峻的过拟合。咱们曾运用不同的正则化技能和附加数据应对这个问题，可是这不只很费时，还有种盲目搜索的感觉。

今日，我想介绍一个稍微有些不同的办法对相同的算法进行拟合。运用概率的观念看待这个问题能够让咱们从数据自身学习正则化、估量猜测作用确实定性、运用更少的数据进行练习，还能在模型中引入额定的概率依靠联系。我不会过多深化贝叶斯模型或变分原理的数学、技能细节，而是会给出一些概述，也更多地将评论集中在运用场景傍边。文中所用的代码能够在以下链接中找到：https://github.com/Rachnog/Deep-Trading/tree/master/bayesian

与此同时，我也引荐大家查阅我此前发布的根据神经网络的财政猜测教程：

1. 简略时刻序列猜测（错误纠正完毕）

2. 正确一维时刻序列猜测+回测

3. 多元时刻序列猜测

4. 动摇猜测和自界说丢失

5. 多使命和多方式学习

6. 超参数优化

7. 用神经网络进行经典战略强化

为了更深化地了解概率规划、贝叶斯模型以及它们的运用，我引荐你在以下资源网站中检查：

方式识别和机器学习
黑客贝叶斯办法
下面即将说到的库文件

别的，你还可能会用到下列 Python 库：

PyMC3 (https://github.com/pymc-devs/pymc3)
Edward (http://edwardlib.org/)
Pyro (http://pyro.ai/)

概率编程

这个「概率」指的是什么？咱们为什么称其为「编程」呢？首要，让咱们回想一下咱们所谓「正常的」神经网络指的是什么、以及咱们能从中得到什么。神经网络有着以矩阵方式表达的参数（权重），而其输出通常是一些标量或许向量（例如在分类问题的状况下）。当咱们用比如 SGD 的办法练习这个模型后，这些矩阵会取得固定值。与此同时，关于同一个输入样本，输出向量应该相同，就是这样！可是，假如咱们将一切的参数和输出视为彼此依靠的散布，会发作什么？神经网络的权重将与输出相同，是一个来自网络并取决于参数的样本——假如是这样，它能为咱们带来什么？

让咱们从根底讲起。假如咱们以为网络是一个取决于其他散布的数集，这首要就构成了联合概率散布 p(y, z|x)，其间有着输出 y 和一些模型 z 的「内部」隐变量，它们都取决于输入 x（这与惯例的神经网络完全相同）。咱们感兴趣的是找到这样神经网络的散布，这样一来就能够对 y ~ p(y|x) 进行采样，并取得一个方式为散布的输出，该散布中抽取的样本的期望通常是输出，和标准差（对不确定性的估量）——尾部越大，则输出置信度越小。

这种设定可能不是很清晰，但咱们只需求记住：现在开端，模型中一切的参数、输入及输出都是散布，而且在练习时对这些散布进行拟合，以便在实践运用中取得更高的精确率。咱们也需求注意自己设定的参数散布的形状（例如，一切的初识权重 w 遵守正态散布 Normal（0,1），之后咱们将学习正确的均值和方差）。初始散布即所谓的先验知识，在练习集上练习过的散布即为后验知识。咱们运用后者进行抽样并得出作用。

图源：http://www.indiana.edu/~kruschke/BMLR/

模型要拟合到什么程度才有用？通用结构被称为变分推理（variational inference）。无需细想，咱们能够假定，咱们期望找到一个能够得到最大对数似然函数 p_w（z | x）的模型，其间 w 是模型的参数（散布参数），z 是咱们的隐变量（躲藏层的神经元输出，从参数 w 的散布采样得到），x 是输入数据样本。这就是咱们的模型了。咱们在 Pyro 中引入了一个实例来介绍这个模型，该简略实例包含一切隐变量 q_（z）的一些散布，其间 ф 被称为变分参数。这种散布有必要近似于练习最好的模型参数的「实践」散布。

练习方针是使得 [log(p_w(z|x))—log(q_ф(z))] 的期望值相关于有辅导的输入数据和样本最小化。在这儿咱们不讨论练习的细节，由于这儿面的知识量太大了，此处就先当它是一个能够优化的黑箱吧。

对了，为什么需求编程呢？由于咱们通常将这种概率模型（如神经网络）界说为变量彼此相关的有向图，这样咱们就能够直接显现变量间的依靠联系：

图源：http://kentonmurray.com/

而且，概率编程言语起初就被用于界说此类模型并在模型上做推理。

为什么挑选概率编程？

不同于在模型中运用 dropout 或 L1 正则化，你能够把它当作你数据中的隐变量。考虑到一切的权重其实是散布，你能够从中抽样 N 次得到输出的散布，经过核算该散布的标准差，你就知道能模型有多靠谱。作为作用，咱们能够只用少数的数据来练习这些模型，而且咱们能够灵敏地在变量之间增加不同的依靠联系。

概率编程的缺乏

我还没有太多关于贝叶斯建模的经历，可是我从 Pyro 和 PyMC3 中了解到，这类模型的练习进程十分绵长且很难界说正确的先验散布。而且，处理从散布中抽取的样本会导致误解和歧义。

数据预备

我现已从 http://bitinfocharts.com/ 抓取了每日 Ethereum（以太坊）的价格数据。其间包含典型的 OHLCV（高开低走），别的还有关于 Ethereum 的每日推特量。咱们将运用七日的价格、开盘及推特量数据来猜测次日的价格改变状况。

价格、推特数、大盘改变

上图是一些数据样本——蓝线对应价格改变，黄线对应推特数改变，绿色对应大盘改变。它们之间存在某种正相关（0.1—0.2）。因而咱们期望能运用好这些数据中的方式对模型进行练习。

贝叶斯线性回归

首要，我想验证简略线性分类器在使命中的体现作用（而且我想直接运用 Pyro tutorial——http://pyro.ai/examples/bayesian_regression.html——的作用）。咱们依照以下操作在 PyTorch 上界说咱们的模型（详情参看官方指南：http://pyro.ai/examples/bayesian_regression.html）。

class RegressionModel(nn.Module):     def __init__(self, p):         super(RegressionModel, self).__init__()         self.linear = nn.Linear(p, 1) def forward(self, x):         # x * w + b         return self.linear(x)

以上是咱们曾经用过的简略确定性模型，下面是用 Pyro 界说的概率模型：

def model(data):     # Create unit normal priors over the parameters     mu = Variable(torch.zeros(1, p)).type_as(data)     sigma = Variable(torch.ones(1, p)).type_as(data)     bias_mu = Variable(torch.zeros(1)).type_as(data)     bias_sigma = Variable(torch.ones(1)).type_as(data)     w_prior, b_prior = Normal(mu, sigma), Normal(bias_mu, bias_sigma)     priors = {'linear.weight': w_prior, 'linear.bias': b_prior}     lifted_module = pyro.random_module("module", regression_model, priors)     lifted_reg_model = lifted_module() with pyro.iarange("map", N, subsample=data):         x_data = data[:, :-1]         y_data = data[:, -1]         # run the regressor forward conditioned on inputs         prediction_mean = lifted_reg_model(x_data).squeeze()         pyro.sample("obs",                     Normal(prediction_mean, Variable(torch.ones(data.size(0))).type_as(data)),                     obs=y_data.squeeze())

从上面的代码可知，参数 W 和 b 均界说为一般线性回归模型散布，两者都遵守正态散布 Normal（0,1）。咱们称之为先验，创立 Pyro 的随机函数（在咱们的比如中是 PyTorch 中的 RegressionModel），为它增加先验 ({『linear.weight』: w_prior, 『linear.bias』: b_prior})，并根据输入数据 x 从这个模型 p(y|x) 中抽样。

这个模型的 guide 部分可能像下面这样：

 def guide(data):     w_mu = Variable(torch.randn(1, p).type_as(data.data), requires_grad=True)     w_log_sig = Variable(0.1 * torch.ones(1, p).type_as(data.data), requires_grad=True)     b_mu = Variable(torch.randn(1).type_as(data.data), requires_grad=True)     b_log_sig = Variable(0.1 * torch.ones(1).type_as(data.data), requires_grad=True)     mw_param = pyro.param("guide_mean_weight", w_mu)     sw_param = softplus(pyro.param("guide_log_sigma_weight", w_log_sig))     mb_param = pyro.param("guide_mean_bias", b_mu)     sb_param = softplus(pyro.param("guide_log_sigma_bias", b_log_sig))     w_dist = Normal(mw_param, sw_param)     b_dist = Normal(mb_param, sb_param)     dists = {'linear.weight': w_dist, 'linear.bias': b_dist}     lifted_module = pyro.random_module("module", regression_model, dists)     return lifted_module()

咱们界说了想要「练习」的散布的可变散布。如你所见，咱们为 W 和 b 界说了相同的散布，意图是让它们更接近实践状况（据咱们假定）。这个比如中，我让散布图更窄一些（遵守正态散布 Normal(0, 0.1)）

然后，咱们用这种方式对模型进行练习：

    for j in range(3000):     epoch_loss = 0.0     perm = torch.randperm(N)     # shuffle data     data = data[perm]     # get indices of each batch     all_batches = get_batch_indices(N, 64)     for ix, batch_start in enumerate(all_batches[:-1]):         batch_end = all_batches[ix + 1]         batch_data = data[batch_start: batch_end]         epoch_loss += svi.step(batch_data)

在模型拟合后，咱们想从中抽样出 y。咱们循环 100 次并核算每一步的猜测值的均值和标准差（标准差越高，猜测置信度就越低）。

   preds = [] for i in range(100):     sampled_reg_model = guide(X_test)     pred = sampled_reg_model(X_test).data.numpy().flatten()     preds.append(pred)

现在有许多经典的经济猜测衡量办法，例如 MSE、MAE 或 MAPE，它们都可能会让人困惑——错误率低并不意味着你的模型体现得好，验证它在测验集上的体现也十分重要，而这就是咱们做的作业。

运用贝叶斯模型进行为期 30 天的猜测

从图中咱们能够看到，猜测作用并不够好。可是猜测图中最终的几个跳变的形状很不错，这给了咱们一线期望。持续加油！

惯例神经网络

在这个十分简略的模型进行试验后，咱们想要尝试一些更风趣的神经网络。首要让咱们运用 25 个带有线性激活的神经元的单隐层网络练习一个简略 MLP：

 def get_model(input_size):     main_input = Input(shape=(input_size, ), name='main_input')     x = Dense(25, activation='linear')(main_input)     output = Dense(1, activation = "linear", name = "out")(x)     final_model = Model(inputs=[main_input], outputs=[output])     final_model.compile(optimizer='adam',  loss='mse')     return final_model

练习 100 个 epoch：

model = get_model(len(X_train[0])) history = model.fit(X_train, Y_train,                epochs = 100,                batch_size = 64,                verbose=1,                validation_data=(X_test, Y_test),               callbacks=[reduce_lr, checkpointer],               shuffle=True)

其作用如下：

运用 Keras 神经网络进行为期 30 天的猜测

我觉得这比简略的贝叶斯回归作用更差，此外这个模型不能得到确定性的估量，更重要的是，这个模型乃至没有正则化。

贝叶斯神经网络

现在咱们用 PyTorch 来界说上文在 Keras 上练习的模型：

class Net(torch.nn.Module):     def __init__(self, n_feature, n_hidden):         super(Net, self).__init__()         self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer         self.predict = torch.nn.Linear(n_hidden, 1)   # output layer def forward(self, x):         x = self.hidden(x)         x = self.predict(x)         return x

相比于贝叶斯回归模型，咱们现在有两个参数集（从输入层到躲藏层的参数和躲藏层到输出层的参数），所以咱们需求对散布和先验知识稍加改动，以适应咱们的模型：

priors = {'hidden.weight': w_prior,                'hidden.bias': b_prior,               'predict.weight': w_prior2,               'predict.bias': b_prior2}

以及 guide 部分：

dists = {'hidden.weight': w_dist,                'hidden.bias': b_dist,               'predict.weight': w_dist2,               'predict.bias': b_dist2}

请不要忘记为模型中的每一个散布起一个不同的名字，由于模型中不该存在任何歧义和重复。更多代码细节请拜见源代码：https://github.com/Rachnog/Deep-Trading/tree/master/bayesian

练习之后，让咱们看看最终的作用：

运用 Pyro 神经网络进行为期 30 天的猜测

它看起来比之前的作用都好得多！

比起惯例贝叶斯模型，考虑到贝叶斯模型所中习得的权重特征或正则化，我还期望看到权重的数据。我依照以下办法检查 Pyro 模型的参数：

for name in pyro.get_param_store().get_all_param_names():     print name, pyro.param(name).data.numpy()

这是我在 Keras 模型中所写的代码：

import tensorflow as tf sess = tf.Session() with sess.as_default():     tf.global_variables_initializer().run() dense_weights, out_weights = None, None with sess.as_default():     for layer in model.layers:         if len(layer.weights) > 0:             weights = layer.get_weights()             if 'dense' in layer.name:                 dense_weights = layer.weights[0].eval()             if 'out' in layer.name:                 out_weights = layer.weights[0].eval()

例如，Keras 模型最终一层的权重的均值和标准差分别为 -0.0025901748 和 0.30395043，Pyro 模型对应值为 0.0005974418 和 0.0005974418。数字小了许多，但作用真的不错！其实这就是 L2 或 Dropout 这种正则化算法要做的——把参数逼近到零，而咱们能够用变分推理来实现它！躲藏层的权重改变更风趣。咱们将一些权重向量绘制成图，蓝线是 Keras 模型的权重，橙线是 Pyro 模型的权重：

输入层与躲藏层之间的部分权重

真正有意思的不止是权重的均值与标准差变得小，还有一点是权重变得稀少，所以基本上在练习中完成了第一个权重集的稀少表明，以及第二个权重集的 L2 正则化，多么奇特！别忘了自己跑跑代码感受一下：https://github.com/Rachnog/Deep-Trading/tree/master/bayesian

小结

咱们在文中运用了新颖的办法对神经网络进行练习。不同于次序更新静态权重，咱们是更新的是权重的散布。因而，咱们可能取得风趣又有用的作用。我想着重的是，贝叶斯办法让咱们在调整神经网络时不需求手动增加正则化，了解模型的不确定性，并尽可能运用更少的数据来取得更好的作用。感谢阅览：)

原文链接：https://medium.com/@alexrachnog/financial-forecasting-with-probabilistic-programming-and-pyro-db68ab1a1dba

（以上发布均为题目，为保证客户隐私，源代码绝不外泄！！）

代写计算机编程类/金融/高数/论文/英文

u=199783060,2774173244&fm=58&s=188FA15AB1206D1108400056000040F6&bpow=121&bpoh=75.jpg alipay_pay_96px_533896_easyicon.net.png paypal_96px_533937_easyicon.net.png china_union_pay_96px_533911_easyicon.net.png mastercard_pay_96px_533931_easyicon.net.png asia_pay_96px_533902_easyicon.net.png