Nejčastější dotazy

Predikce časových řad znamená předpovídání budoucích hodnot posloupnosti měření uspořádaných v čase — například zítřejší ceny akcie, příští týden teploty nebo kurzu měny. Cílem je sestavit model, který zachytí vzorce v historických datech a extrapoluje je pro tvorbu prognózy.

Síť se trénuje na historických datech: minulé hodnoty jsou předány jako vstupy a síť se učí mapovat je na známou budoucí hodnotu (cíl). Trénování upravuje váhy sítě pomocí zpětného šíření chyby (backpropagation) kombinovaného s gradientním sestupem, čímž se iterativně snižuje rozdíl mezi předpověďmi sítě a skutečnými hodnotami. Viz kapitola Učení neuronové sítě.

Ukázky používají historická data akciového indexu NASDAQ a data měnových párů Forex (devizový trh). Běží zcela ve vašem prohlížeči — žádná data se neodesílají na server a není nutná žádná instalace. Vyzkoušejte je v sekci Interaktivní příklad.

Neexistuje univerzální odpověď — záleží na složitosti vzorců ve vašich datech a riziku přetrénování. Při příliš malém počtu neuronů síť vzorce nedokáže zachytit; při příliš velkém počtu si zapamatuje trénovací data místo toho, aby je zobecnila. Interaktivní ukázka vám umožní experimentovat s různými velikostmi sítě a přímo sledovat vliv na přesnost předpovědí.

Přetrénování nastane, když si neuronová síť naučí trénovací data příliš přesně — včetně jejich šumu — a pak špatně funguje na nových datech. Běžné způsoby, jak tomu předejít: použijte samostatnou validační množinu pro sledování výkonu během trénování, zastavte trénování předčasně, jakmile validační chyba začne růst, zvolte jednodušší architekturu sítě nebo zvětšete trénovací sadu. Kapitola Trénovací množina rozebírá přípravu dat podrobně.

Neuronové sítě mohou zachytit určité vzorce ve finančních časových řadách, ale finanční trhy jsou ovlivněny nepředvídatelnými událostmi, které žádný model nemůže anticipovat. Ukázky v tomto tutoriálu ilustrují, jak predikce funguje v principu; nejsou nástrojem pro finanční prognózy. Přesnost predikce finančních dat bývá skromná a minulá výkonnost nezaručuje budoucí výsledky.

Trénovací množina jsou data, ze kterých se síť učí. Testovací množina je samostatná část dat, odložená během trénování, která se používá k vyhodnocení toho, jak dobře natrénovaná síť zobecňuje na příklady, které dosud neviděla. Vyhodnocení pouze na trénovacích datech by poskytlo příliš optimistický obrázek o výkonu. Viz kapitola Trénovací množina.

Text a obrázky v tomto tutoriálu jsou zveřejněny pod licencí Creative Commons Attribution–ShareAlike 4.0 (CC BY-SA 4.0). Můžete je volně sdílet a upravovat za podmínky, že uvedete příslušné autorství a budete šířit úpravy pod stejnou licencí.

Interaktivní JavaScriptové demonstrace lze používat pouze jako součást tohoto webu; jakékoli jiné použití vyžaduje předchozí písemný souhlas. Kontakt: marek@obitko.com.