Добрый день всем!
Читал и слышал, что deep learning сейчас рулит во всех областях, животных на фотографиях распознаёт лучше человека, детали на картинках достраивает, где-то даже писали, что для роликов продолжение придумывает. Вроде как, и при трейдинге тоже «достаточно легко» даёт хорошие результаты. Но мои личные попытки дали неважные результаты. В лучшем случае сеть худо-бедно подстраивалась под обучающие данные, но на тестовых данных результаты были плохие.

Я подавал сети нормализованные графики курса акций (тёмно-синее на графиках слева http://prntscr.com/hd8tl6), а на выходе ожидал от неё тот же график (синим пунктиром) с дополнением и ещё дополнительно два числа – на сколько % дешевле имеет смысл попытаться купить чтобы потом подороже продать и наоборот, % дороже продать чтобы потом откупить. На картинке слева 5 графиков из обучающего множества, а справа сверху – реальные и предсказанные результаты для 50 графиков из обуч. мн.

В лучшем случае получалось среднеквадратичное отклонение для этих двух чисел порядка 0.003, т.е. можно сказать, что для чисел от 0 до 0.4 (справа сверху) в среднем ошибка порядка 0.055 (корень из 0.003) – уже многовато. А на тестовых множествах тут же получается среднеквадратичное 0.03, т.е. среднее 0.15.

Сети пробовал разного вида, вот примерно такого размера и примерно на порядок больше-меньше: 5 групп слоёв, residual (next = prev + conv(prev)), с bottleneck’ами, в каждой группе по 3 свёртки, 100 слоёв в первых свёртках, 50 в bottleneck’ах, в каждом следующем слое в 2 раза меньше значений и в 2 раза больше слоёв. Обучающие наборы брал 100-2000 наборов (графиков), количество итераций – 5000-50000 по 50 наборов в каждой. Считал на Python’e c TensorFlow, на процессоре.

Нужны советы, куда дальше двигаться и где есть (или нет) перспективы. А лучше человек, который увлекается подобными вещами, чтобы объединить усилия. Тут это кому-нибудь интересно? Сам вообще программист, 37 лет, стаж – 15, в основном – на С++, на работе занимался другими, более приземлёнными вещами.