AI算力陷阱，Prophet工程案例实测

ziwang

TOP极宽《AI算力陷阱》系列，参见：
AI算力陷阱，Prophet工程案例实测 http://www.topquant.vip/?p=1127
AI算力陷阱#2，资金陷阱 http://www.topquant.vip/?p=1137
AI算力陷阱3，AI智能投顾，目前全世界没有一家成功的案例 http://www.topquant.vip/?p=1439
AI算力陷阱4：automl傻瓜式神经网络与金融量化 http://www.topquant.vip/?p=1564
AI算力陷阱5：GPT-3与AI算力陷阱 http://www.topquant.vip/?p=1829

-------------
AI算力陷阱，Prophet工程案例实测

【zw，2019-4-23 ps 】

现在说 ai交易 全部是骗子 我是用量化回测 辅助分析

太长了，干脆独立成文：AI算力陷阱#2，资金陷阱 http://www.topquant.vip/?p=1137

ps，当然也可以吃采用zw的LAN模型，不过这个还在摸索当中：《中华大字库》CBF2018：比GAN快一万倍的AI工程案例 – 极宽 http://www.topquant.vip/?p=1125

---

在和网友互动时，我经常说，现在AI、神经网络在金融量化方面的应用，还处于黑暗摸索阶段。

这其中，最重要的原因就是算力陷阱。

一个alphaGo，需要的参数超过有一亿个，而且围棋是受限模型。

最近，逼着使用Facebook旗下的Prophet，对dash-usdt数字货币，做了个简单测试。

因为Prophet0.4安装冲突，我们使用的是对标替代产品pmprophet，这两个语法基本完全相同，pmprophet理论上更加灵活、强大。

因为是简单的案例，所以没有采用Prophet进行复核，有兴趣的网友可以自己测试。

这个案例，基于dash-usdt交易对的45天15分钟分时数据（20190301–20190414），才4306条简化数据，就两个字段：tim+close

一个最简单的Prophet自动拟合模型，建模需要11个小时，i7-cpu平台

CBF2018不管如何，是个已经实现的工程案例，希望CBF2018这个案例，能够给AI智能投顾的应用带来一些启发。

文后是对应的输出信息，核心是这一条：

INFO:pymc3:>Metropolis: [sigma_model]
0%| | 1/2500 [00:15<11:05:24, 15.98s/it]

建模需要11个小时

---

案例输出信息：

df 4306
ds y
140745 2019-03-01 00:00:00 4.420
140746 2019-03-01 00:15:00 4.420
140747 2019-03-01 00:30:00 4.410
140748 2019-03-01 00:45:00 4.410
140749 2019-03-01 01:00:00 4.410
140750 2019-03-01 01:15:00 4.410
140751 2019-03-01 01:30:00 4.410
140752 2019-03-01 01:45:00 4.410
140753 2019-03-01 02:00:00 4.410
140754 2019-03-01 02:15:00 4.410

ds y
145041 2019-04-14 18:00:00 4.790
145042 2019-04-14 18:15:00 4.790
145043 2019-04-14 18:30:00 4.790
145044 2019-04-14 18:45:00 4.790
145045 2019-04-14 19:00:00 4.790
145046 2019-04-14 19:15:00 4.800
145047 2019-04-14 19:30:00 4.800
145048 2019-04-14 19:45:00 4.800
145049 2019-04-14 20:00:00 4.800
145050 2019-04-14 20:15:00 4.790

len-DF: 4306
WARNING:root:Note that the automatic changepoint feature is experimental
Sequential sampling (1 chains in 1 job)
INFO:pymc3:Sequential sampling (1 chains in 1 job)
CompoundStep
INFO:pymc3:CompoundStep
>Metropolis:
INFO:pymc3:>Metropolis:
>Metropolis: [intercept_model]
INFO:pymc3:>Metropolis: [intercept_model]
>Metropolis: [cgpt_inner]
INFO:pymc3:>Metropolis: [cgpt_inner]
>Metropolis: [beta]
INFO:pymc3:>Metropolis: [beta]
>Metropolis: [alpha]
INFO:pymc3:>Metropolis: [alpha]
>Metropolis: [growth_model]
INFO:pymc3:>Metropolis: [growth_model]
>Metropolis: [sigma_model]
INFO:pymc3:>Metropolis: [sigma_model]
0%| | 1/2500 [00:15<11:05:24, 15.98s/it]

核心代码很短，参见最后：

#
tim0,tim9='2019-03-01','2019-04-15'
fss=rs0+'dashusdt_poloniex.csv'
xdf = pd.read_csv(fss, index_col=False)
xdf.sort_values('tim',ascending=True,inplace=True) #True：正序
xdf=tq.df_kcut8tim(xdf,tim0,tim9,ksgn='tim')
#tq.prDF(xdf,'xdf')
#
df=pd.DataFrame()
df['ds']=xdf['tim']
df['y']=np.log(xdf['close'])
#df = df.head(180)
tq.prDF(df,'df')
#

m = PMProphet(df, auto_changepoints=True, growth=True, intercept=True, name='model')
m.fit(method=Sampler.METROPOLIS, draws=2000,chains=1)
df9 = m.predict(60, alpha=0.2, include_history=True, plot=True)
m.plot_components(intercept=False,)
tq.prDF(df9,'df9')
df9.to_csv('tmp\ddf090.csv')