शेअर बाजाराचे भाकीत
मंडळी,
शेअर बाजार आणि त्याचे भाकीत हा माझा खूप जिव्हाळ्याचा विषय आहे. मी त्यासाठी बरेच दिवस न्युरलनेट वापरून मल्टीव्हेरीएट टाइम-सिरीजची भाकीते करायचा प्रयत्न केला आहे. बर्याच प्रयत्ना नंतर हैब्रिड न्युरलनेट आर्कीटेक्चर वापरून मी पुढील आठवड्याचे भाकीत करण्यात थोडे फार यश मिळवले आहे.
दर विकांताला मी माझे मार्केटचे भाकीत या धाग्यावर पोस्ट करीन.
मी keras वापरून तयार केलेले न्युरलनेट असे आहे. ते असेच का असे विचारू नये. न्युरलनेट मध्ये जे चालेल ते आर्कीटेक्चर स्वीकारायचा प्रघात आहे.
model <- keras_model_sequential() %>%
layer_conv_1d(filters = 64, kernel_size = 3, dilation_rate = 2, activation = 'relu', padding = 'causal',
use_bias = T, input_shape = c(time_steps, features),
kernel_initializer='glorot_uniform') %>%
layer_conv_1d(filters = 32, kernel_size = 2, dilation_rate = 2, activation = 'relu', padding = 'causal', use_bias = T, bias_initializer = 'zeros') %>%
layer_lstm(units = 50, return_sequences = TRUE) %>%
layer_lstm(units = 50) %>%
layer_dense(units = features)
model %>% compile(
optimizer = 'adam',
loss = 'mse'
)
मी नक्की कशाचे भाकीत करत आहे?
मी पुढच्या आठवड्यात बाजाराचा कल काय असेल याचे भाकीत करायचा प्रयत्न केला आहे. या साठी दोन डिपेंडंट व्हेरीएबल निवडली आहेत.
1. co = close/open color of the candle
if co > 1 candle is green
if co < 1 candle is red
2. Change = (Close - last close)/last close
This is direction of the market wrt last close
यासाठी निवडलेली इंडीपेंडंट व्हेरीएबल अशी आहेत -
१. buy volume = total volume of green candle in the look back period (5)
--------------------------------------------------------------------
total volume of green and red candles in the look back period (5)
2. Clema = (close-sma(5))/stddev(5) deviation of close from mean in terms of std deviation
3. Turb = STDDEV(5,co)/STDDEV(10,co) a measure of turbulance in the market
भाकीत नक्की काय आहे?
वरील आकृतीमध्ये एकंदर ४ आलेख आहेत. डावीकडचे ट्रेनिंग डेटासेटवरील न्युरलनेट पर्फोर्मन्स दाखवतात. उजवीकडचे दोन आलेख co आणि Change चे भाकीत पुढच्या १० डेटा बिंदूंसाठी म्हणजे ५० दिवसांसाठी बाजाराचा कल दाखवतात (एक डेटाबिंदू म्ह० ५ दिवस)
माझ्या आत्ता पर्यंतच्या प्रयोगातून असे लक्षात आले आहे की फक्त पुढच्या आठवड्याचे म्हणजे एका डेटा बिंदूचे भाकीत बर्यापैकी विश्वासार्ह असते. कारण नंतर प्रेडीक्शन एरर वाढत जाते.
थोडक्यात
पुढच्या आठवड्यात co ची किंमत १ पेक्शा कमी म्हणजे पुढील आठवड्याची मेणबत्ती (कॅण्डल) लाल रंगाची असेल.
पुढील आठवड्याचा बंद चालू बंदपेक्षा आणखी कमी असेल
तात्पर्य- बाजाराची घसरगुण्डी पुढच्या आठवड्यात चालू राहील.
टीप - १.दर आठवड्याला या मॉडेलचे भाकीत मी इथे या धाग्यावर जमेल तितके दिवस करेन. कृपया या भाकीतावर पूर्णपणे अवलंबून राहणे धोक्याचे आहे, हे लक्षात ठेवावे.
२. ट्रेनिंगसाठी वापरलेला डेटा १ जाने २०२३ पासूनचा आहे.
प्रतिक्रिया
8 Feb 2025 - 3:19 pm | युयुत्सु
8 Feb 2025 - 3:20 pm | युयुत्सु
प्रिय संपादक
कृपया आकृती दिसण्यासाठी मदत करावी
8 Feb 2025 - 3:34 pm | युयुत्सु
वरील लेखातील आलेखासाठी पुढील लिंक वर क्लिक करावे
https://rpubs.com/yuyutsu/1269840
8 Feb 2025 - 5:42 pm | युयुत्सु
पुढच्या आठवड्यात इन्कम टॅक्स बिल मांडले जाणार आहे. त्याचा बाजारावर नकारात्मक परिणाम होऊ शकतो. लेट्स वेट ॲण्ड वॉच...
8 Feb 2025 - 7:18 pm | युयुत्सु
माझा मॉडेलच्या ओव्हर फिटिंग बद्दल कोणाची काही तक्रार असेल तर अगोदरच खुलासा करून ठेवतो.
Overfitting is generally considered undesirable in machine learning because it means the model has learned the training data too well, capturing noise and details that do not generalize to new, unseen data. However, there are specific scenarios where overfitting might not be a bad choice:
1. **When the Training Data is Perfectly Representative**: If the training data is an exact and complete representation of the real-world data the model will encounter, overfitting might not be a problem. In this case, the model's ability to capture every detail of the training data could actually be beneficial.
2. **In Deterministic Environments**: In some cases, the environment or the data-generating process is deterministic. For example, in some physical systems or well-defined mathematical functions, overfitting might not be harmful because there is no noise or variability in the data.
3. **When Interpretability is Not a Concern**: If the primary goal is to achieve the highest possible accuracy on the training data and interpretability or generalization is not a concern, overfitting might be acceptable. This could be the case in some competitions or specific research scenarios where the focus is solely on performance metrics.
4. **In Certain Types of Ensembles**: In ensemble methods, sometimes overfitting individual models can be beneficial if the ensemble as a whole generalizes well. For example, in boosting algorithms, individual weak learners might overfit to some extent, but the combined model can still perform well on unseen data.
5. **When Data is Abundant and Static**: If you have an extremely large dataset that is static and unlikely to change, overfitting might not be as problematic because the model's performance on the training data is likely to be very close to its performance on any future data.
6. **In Specific Applications Like Memorization Tasks**: In some applications, such as creating a model that needs to memorize specific patterns or data points (e.g., certain types of lookup tables or caches), overfitting is actually the goal.
7. **When the Cost of Overfitting is Low**: In some scenarios, the cost of overfitting (e.g., slightly reduced performance on unseen data) might be negligible compared to the benefits (e.g., significantly improved performance on the training data). This might be the case in applications where the training data is very similar to the test data, and the cost of errors is low.
However, it's important to note that these scenarios are exceptions rather than the rule. In most practical applications, overfitting is something to be avoided, and techniques like cross-validation, regularization, and early stopping are used to prevent it.
9 Feb 2025 - 12:13 pm | शानबा५१२
माझ्यासाठी हा फार उत्स्तुकतापुर्ण लेख आहे, माझा ही हा विषय जिव्हाळ्याचा आहे(खुप दीवसांने हा शब्द वाचक्ला, थॅण्क्स).
पण आता खुप घाईत आहे, जास्त लिहु शकत नाही,पण भाकीत बाबत, म्हणजे स्टॉक मार्केत संबंधी, हे व्यक्ती मला खुप आवडतात, त्यांनी खुपश मेथ्ड्स शोधले आहेत, भाकीत साठी, आपलाला ही खुप आवडेल, आपले न्युरलनेट काही पचले नाही, मला समजले नाही व समजुन ग्घेतले नाही.
https://www.youtube.com/@RKArora/videos तुम्ही ह्यांचे ह्या चॅनेल वरचे खुप व्हिडीओ पहा, भाकीत संबंधीत, तुम्हाला आवड्ले का ते सांगा. धन्यवाद व शुभेच्छा , आभारी आहे.
9 Feb 2025 - 12:15 pm | शानबा५१२
ईमेज दीसत नाही आहे, https://postimages.org/ ही वेबसाईट वापरुन लिंक्स पोस्ट करा प्लीज.....
9 Feb 2025 - 2:38 pm | युयुत्सु
प्रतिसादाबद्दल आभार! आणि इमेज दिसण्यासाठी केलेल्या सूचनेसाठी पण आभार
10 Feb 2025 - 12:48 pm | युयुत्सु
आणखी थोडी गंमत : अचूकता आणण्यासाठी
वर वर्तवलेले भाकीत हे एका मॉडेलचे आहे. पण हे गंडू शकते. मग भाकीत अधिक विश्वासार्ह कसे होईल?
त्यासाठी मी अशी १० मॉडेल्स चालू आठवड्यासाठी तयार केली आणि त्यांचा कल (स्क्युनेस) तपासला. एकंदर १० पैकी ७ मॉडेल्स या आठवड्यात बाजाराची घसरगुंडी दाखवतात.
11 Feb 2025 - 12:01 pm | आंद्रे वडापाव
५० % कॅश इन्व्हेस्ट केलीये या लेव्हलला ..
२१३५० जवळ उरलेली सगळी करून टाकावी म्हणतोय ...
11 Feb 2025 - 12:45 pm | युयुत्सु
हरकत नाही, पण स्वतःच्या जबाबदारीवर!
तुमची ती स्ट्रॅटेजी काय सांगते?
11 Feb 2025 - 1:14 pm | आंद्रे वडापाव
२१३५० ला असेल नसेल ती झाडून कानाकोपऱ्यातून लॉन्ग-टर्म साठी बाजूला ठेवलेली सर्व कॅश लावणार मी ..
(कर्ज काढणार नाही, कॅश डिलिव्हरी फक्त )
11 Feb 2025 - 3:53 pm | युयुत्सु
ओव्हरफिटींगला काही अपवाद आहेत, त्याबद्दल कुणी बोलत नाही. जनरलायझेशन जेव्हा आवश्यक नसते तेव्हा, नजिकच्या भविष्याकाळासाठी म्ह० शॉर्ट टर्म प्रेडीकशन, एकदाच वापर केला जाणारे मॉडेल, तसेच कॉस्ट ऑफ ट्रेनिंग हा मुद्दा फार मह्त्त्वाचा नसेल तर... लोक आंधळेपणाने "ओव्हरफिटींग-ओव्हरफिटींग" म्हणून गळा काढतात.
12 Feb 2025 - 7:14 am | युयुत्सु
आज निफ्टीची घसरगुंडी थोडी थांबेल किंवा थोडीरिकव्हरीची शक्यता वाटते - तांबडा किंवा हिरवा 'दोजी'
12 Feb 2025 - 10:17 am | आंद्रे वडापाव
जानेवालोंको कौन रोक सकता हैं ?
(२१५०० - २१२५० झोन मध्ये )
एखादा दारुड्या झिंगत रस्त्याच्या मधून कडेला परत मधे असं लेझीम खेळत चालला असला तरी त्याला शेवटी गटारात ((२१५०० - २१२५०) एकदा पडायचाच असतं ...
:)
माझ्या वरील वाक्याचा आणि जगातील इतर कशाचा काहीही संबंध नाही ... तुम्हाला तास वाटल्यास तो योगायोग समजावा ..
उत्तरदायित्वास नकार लागू (विश्वामित्राप्रमाणे ...)
12 Feb 2025 - 10:17 am | आंद्रे वडापाव
जानेवालोंको कौन रोक सकता हैं ?
(२१५०० - २१२५० झोन मध्ये )
एखादा दारुड्या झिंगत रस्त्याच्या मधून कडेला परत मधे असं लेझीम खेळत चालला असला तरी त्याला शेवटी गटारात ((२१५०० - २१२५०) एकदा पडायचाच असतं ...
:)
माझ्या वरील वाक्याचा आणि जगातील इतर कशाचा काहीही संबंध नाही ... तुम्हाला तास वाटल्यास तो योगायोग समजावा ..
उत्तरदायित्वास नकार लागू (विश्वामित्राप्रमाणे ...)
12 Feb 2025 - 10:30 am | वामन देशमुख
#BearBanoBewakoofNahi
काही घाबरायची गरज नाही. शॉर्ट पोझिशन्स घ्या. अशा मंदीच्या बाजारात जितका नफा आहे तितका तेजीच्या बाजारात नाही. संधीचे सोने करून घ्या.
12 Feb 2025 - 10:39 am | युयुत्सु
हा हा हा ...तुम्ही फारच विनोदी!
मागे मीच केलेल्या अभ्यासात असं लक्षात आलं की अस्वले बैलांपेक्षा जास्त पैसा कमावतात. तो लेख आता शोधावा लागेल.
12 Feb 2025 - 11:38 am | आंद्रे वडापाव
नाही हो ..मी अस्वल नाही ..
मी फक्त आळशी आहे ...
अस्वलांची धुमाकूळ घातलाय ...
ते थकले
तो पर्यंत निवांत बिडी पीत पडून राहू ....
12 Feb 2025 - 11:42 am | अमरेंद्र बाहुबली
मागच्या महिन्यात एचएमपएमपीव्ही ची बातमी आल्याबरोबर मी सगळे शेअर्स , mf विकून टाकले. मी अस्वल की बैल?
12 Feb 2025 - 12:37 pm | युयुत्सु
फायद्यात असाल तर अस्वल नसाल तर "बैल"!
स्वगतः बैल या शब्दाचा लक्षणेने अर्थ काय घ्यायचा हे लोकांना समजेल काय?
12 Feb 2025 - 12:54 pm | अमरेंद्र बाहुबली
फायद्यात आहे! आता टॅक्स वाचवा म्हणून काही शेअर्स लॉस मधे विकतोय! :-
अस्वल अमरेंद्र बाहुबली! :)
12 Feb 2025 - 12:53 pm | युयुत्सु
निफ्टीने माझ्या भाकीताचा सध्या तरी आदर केला आहे. लंडन मार्केट उघडल्यावर काय होईल माहित नाही.
12 Feb 2025 - 3:39 pm | युयुत्सु
मंडळी
आजसाठी वर्तवलेल्या भाकीताप्रमाणे घसगुंडी आज थांबली दोजी नाही पण दोजीचा भाऊ डॅगर तयार झालेला आहे. "युयुत्सु-नेट" रॉक्स!
13 Feb 2025 - 3:22 pm | युयुत्सु
आज सकाळी बाजार उघडण्यापूर्वी बाजाराचा कल काय असेल म्हणून युयुत्सु-नेट्वर तपासले तेव्हा पुढील शक्यता दिसली. कालची रिकव्हरी बघून आज तोंडावर आपटायला नको म्हणुन आज भाकीत पोस्ट केले नाही. पण आता तोंडात बोटं घालण्याशिवाय पर्याय नाही.