Reti neurali

Machine Learning per la finanza in Python

Nathan George

Data Science Professor

Legge di Moore per le GPU

Le reti neurali hanno potenziale

Le reti neurali offrono:

non linearità
interazioni tra variabili
alta personalizzazione

schema base di una rete neurale

schema con matematica di base

matematica delle reti neurali

attivazioni in una rete neurale

funzione di attivazione

funzione di perdita

forward pass

backward pass

loghi keras e tensorflow

Implementare una rete neurale con Keras

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

Implementare una rete neurale con Keras

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'))

Addestrare il modello

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()

grafico della loss

Valutare le prestazioni

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

Grafico delle prestazioni

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

pred vs reale

Crea una rete neurale!

Machine Learning per la finanza in Python