Neuronale Netze

Maschinelles Lernen für Finanzen in Python

Nathan George

Data Science Professor

GPU moore's law

Neuronale Netze haben Potenzial

Neuronale Netze bieten:

Nichtlinearität
Merkmalsinteraktionen
Anpassbarkeit

basic neural net diagram

net diagram with basic math

neural net math

activation neural net diagram

activation function

loss function

forward pass

backwards pass

keras and tensorflow logos

Ein neuronales Netz mit Keras umsetzen

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

Ein neuronales Netz mit Keras umsetzen

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense


model = Sequential()

model.add(Dense(50,
                input_dim=scaled_train_features.shape[1],
                activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='linear'))

Modell trainieren

model.compile(optimizer='adam', loss='mse')
history = model.fit(scaled_train_features, 
                    train_targets, 
                    epochs=50)

plt.plot(history.history['loss'])
plt.title('loss:' + str(round(history.history['loss'][-1], 6)))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

loss plot

Leistung prüfen

from sklearn.metrics import r2_score

# calculate R^2 score
train_preds = model.predict(scaled_train_features)
print(r2_score(train_targets, train_preds))

0.4771387560719418

Leistung plotten

# plot predictions vs actual
plt.scatter(train_preds, train_targets)
plt.xlabel('predictions')
plt.ylabel('actual')
plt.show()

preds vs actual

Bau ein neuronales Netz!

Maschinelles Lernen für Finanzen in Python