[深度學習練習] [Deep Learning Practice] 神經網路入門（十二）- 遞歸神經網路 X TFLearn X 台指分K

上一篇我們已經把 lstm 訓練好的 model 儲存起來，

這一篇，是深度學習的最後一篇，我們要寫一個回測的方法，

看看我們的模型到底學到什麼。

[深度學習練習] [Deep Learning Practice] 神經網路入門（十一）- 遞歸神經網路 X TFLearn X 台指分K

這一篇會加上一些基本前處理步驟，

然後用 TFlearn 把 lstm 架構寫出來，

並看到學習的結果。

[深度學習練習] [Deep Learning Practice] 神經網路入門（十）- 遞歸神經網路 X TFLearn X 台指分K

之前已經用 CNN 練習過台股日 K 預測，

接下來我們會用 LSTM 來玩台股分 K 預測，

不過！在這之前我們要先介紹一下 TFLearn 這個超好用的工具。

[深度學習練習] [Deep Learning Practice] 神經網路入門（九）- 遞歸神經網路 X 實作

上一集中，介紹了基本的 RNN 以及 LSTM model，

這一篇將會實作 RNN model，預測 mnist 的資料，

以更加了解 RNN 的使用方法和原理。

[深度學習練習] [Deep Learning Practice] 神經網路入門（八）- 遞歸神經網路 X 基礎

這一集分享一下遞歸神經網路 ( Recurrent Neural Network )，

簡稱為 RNN，對於和時間相關的學習非常強大，

可以拿來玩期貨、音樂或文意理解等之類和時間有強烈關係的主題。

[深度學習練習] [Deep Learning Practice] 神經網路入門（七）- 卷積神經網路 X 台指

上一個章節中，我們已經完成了資料處理的幾個方法，

這一集要定義卷積網路的樣子，然後把圖片和標籤丟進去，

看看卷積神經網路在指數預測的能力如何。

[深度學習練習] [Deep Learning Practice] 神經網路入門（六）- 卷積神經網路 X 台指

這個專案，我覺得比起之前都要好玩太多，

因為我們將引用外部資料，自己決定資料長相以及要學習的事情，

這才是機器學習最有趣的地方！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（七）- 回測與討論

上一集已經把機器訓練好了，

為了驗證機器的預測是否可以拿來當作投資依據，

我們要跑一跑回測。

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（六）- TRAINING

在上一集中，我們處理完資料獲得了技術分析的特徵，

KD 以及 均線，現在我們要丟給機器學習，

然後預測漲跌了！！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（五）- 資料處理

上一集我們決定了要使用的特徵以及演算法，

這一集將會用程式碼去實現均線和 KD 值處理，

開始吧！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（四）- 特徵選擇

在上一篇練習中，我們已經爬到台股指數期貨的資料，

這一集會分享一下我選擇的特徵還有我使用的演算法，

開始吧！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（三）- 資料整理

上一篇講到怎麼從期貨交易所上抓下自己想要的資料。

這一篇會實現抓下每一天的資料並且整理進去 DataFrame，

開始吧！

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（二）- 爬蟲

上一篇大概講解了期貨的概念。

了解期貨是什麼之後，我們就可以來爬我們需要的資料了！

但爬取資料必須先看懂 html ，所以這篇是假設大家都會 html 語法下練習。

[機器學習練習] [Machine Learning Practice] 用 Scikit 學習台灣指數趨勢（一）- 期貨介紹

這次要練習一下，用 Scikit 玩台灣期指。

最後預測結果，是滿糟糕的，哈哈。

因為如果是好的話，我就不需要在這邊打心得拉～