【技术实现步骤摘要】
本专利技术涉及深度学习模型，更具体地涉及一种超参数调优的装置。
技术介绍
1、深度学习是学习样本数据的内在规律和表示层次，在学习过程中获得的信息对诸如文字、图像和声音等数据的解释，深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术；
2、深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步；
3、而基于深度学习所建立的深度学习模型，对于深度学习模型来说，性能良好的模型通常需要很长时间来训练，相反，快速训练的模型通常会导致模型性能较差，因此，有必要确定神经网络模型的最佳超参数配置，以产生良好的模型性能和快速的训练时间，如在进行交易时，若是无法快速且准确的寻找到所需要的参数，会对整体的交易过程造成不良影响，甚至...
【技术保护点】
1.一种超参数调优的装置，其特征在于：包括取数单元、数据预处理单元、建模单元以及绩效计算单元，所述取数单元用于构建智能交易预测数据库，并进行数据收集与更新，且所述取数单元的数据收集与更新频率为每天，所述数据预处理单元用于构建最终的训练集和测试集，所述建模单元用XGBoost寻找适于智能交易的最佳交易预测模型，即所述建模单元寻找一组XGBoost预测表现最好的超参数，且所述建模单元嵌套超频带贝叶斯调优模组和网格搜索调优模组，所述绩效计算单元计算调用网格搜索调优模组、超频带贝叶斯调优模组所建立的智能交易预测投资组合1个月的回报和建模时间，并选择绩效高的智能交易预测模型；所...
【技术特征摘要】
1.一种超参数调优的装置，其特征在于：包括取数单元、数据预处理单元、建模单元以及绩效计算单元，所述取数单元用于构建智能交易预测数据库，并进行数据收集与更新，且所述取数单元的数据收集与更新频率为每天，所述数据预处理单元用于构建最终的训练集和测试集，所述建模单元用xgboost寻找适于智能交易的最佳交易预测模型，即所述建模单元寻找一组xgboost预测表现最好的超参数，且所述建模单元嵌套超频带贝叶斯调优模组和网格搜索调优模组，所述绩效计算单元计算调用网格搜索调优模组、超频带贝叶斯调优模组所建立的智能交易预测投资组合1个月的回报和建模时间，并选择绩效高的智能交易预测模型；所述取数单元所采集的信息为石油价格、黄金价格、货币价格、10年期国债收益率、国家经济活动指数、三月期有担保隔夜融资利率、三月期国家国债利率之差、国家高收益指数期权调整利差，共8个特征，且取数单元的时间窗口为前20年至今，所述取数单元将所采集到的信息保存在数据库内。
2.根据权利要求1所述的一种超参数调优的装置，其特征在于：所述数据预处理单元包括数据提取模组、缺失值填充模组、数据分割模组以及回报值计算模组，所述数据提取模组提取时间窗口为前20年至今的智能交易预测数据，并形成数值数据集，且数值数据集特征为数据库中的8个特征，缺失值填充模组用于查找获知数值数据集中各个特征列中的异常值，并应用存在异常值的特征列中的除异常值外所有数的平均数替代该异常值，回报值计算模组，以一个月22个交易日计算每天每个指数的回报率。
3.根据权利要求1所述的一种超参数调优的装置，其特征在于：所述数据分割模组将数据集根据20/80法则进行分割，将数值数据集内的前16年数据划为训练集，将前17年至20年前的初始前4年数据划为测试集，将前20年至今的全部智能交易预测数据进行分割，回报值计算模组将一个月22个交易日计算每天每个行业指数的回报率。
4.根据权利要求2所述的一种超参数调优的装置，其特征在于：所述缺失值填充模组的异常值的判定公式为q1-1.5iqr＜xi＜q3+1.5iqr，式中xi为数据集中的特征，且{x1,x2,...,xi,...,xn}∈x，1≤i≤n，x为数据集中的某个特征，iqr为数据集的四分位差，q1为第一个四分位数、q3为第三个四分位数，当数据集中的特征超过判定公式的下限...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。