本文来源公众号“kaggle竞赛宝典”，仅用于学术分享，侵权删，干货满满。
原文链接：量化竞赛第一名的网络模型
1 简介
今天我们重温Jane Street 大赛第一名的网络模型。该次赛事数据集包含了一组匿名的特征，feature_{0...129}，代表真实的股市数据。数据集中的每一行代表一个交易机会，你需要预测一个动作值：1表示进行交易，0表示放弃。每笔交易都有一个相关的权重和响应，它们一起代表交易的回报。日期列是一个整数，表示交易的日期，而ts_id表示时间顺序。
该赛事的第一名选手采用的是AutoEncoder+MLP的网络模型。一起回顾学习一下。
2 模型
2.1 模型结构
模型主要由三个模块组成：
-
加入高斯噪音的Autoencoder模块；
-
Decoder之后数据的原始Loss；
-
原始数据+Encoder数据的原始问题的Loss；
2.2 相关细节
-
使用自编码器创建新特征，并与原始特征连接，作为下游MLP模型的输入
-
在每个交叉验证分割中一起训练自编码器和MLP，以防止数据泄漏
-
向自编码器添加目标信息（监督学习），迫使其生成更相关的特征，并为梯度的反向传播创建捷径
-
在编码器前添加高斯噪声层，以进行数据增强并防止过拟合
-
使用Swish激活函数代替ReLU，以防止“死亡神经元”并平滑梯度
-
MLP使用批归一化和Dropout
-
使用3个不同的随机种子训练模型，并取平均值以减少预测方差
-
仅使用在最后两个交叉验证分割中训练的模型（具有不同种子），因为它们已经看到更多的数据
-
仅监控MLP的二元交叉熵损失，而不是整体损失，以便早停
-
使用Hyperopt找到最佳超参数集
3 核心代码
def create_ae_mlp(num_columns, num_labels, hidden_units, dropout_rates, ls = 1e-2, lr = 1e-3):
inp = tf.keras.layers.Input(shape = (num_columns, ))
x0 = tf.keras.layers.BatchNormalization()(inp)
encoder = tf.keras.layers.GaussianNoise(dropout_rates[0])(x0)
encoder = tf.keras.layers.Dense(hidden_units[0])(encoder)
encoder = tf.keras.layers.BatchNormalization()(encoder)
encoder = tf.keras.layers.Activation('swish')(encoder)
decoder = tf.keras.layers.Dropout(dropout_rates[1])(encoder)
decoder = tf.keras.layers.Dense(num_columns, name = 'decoder')(decoder)
x_ae = tf.keras.layers.Dense(hidden_units[1])(decoder)
x_ae = tf.keras.layers.BatchNormalization()(x_ae)
x_ae = tf.keras.layers.Activation('swish')(x_ae)
x_ae = tf.keras.layers.Dropout(dropout_rates[2])(x_ae)
out_ae = tf.keras.layers.Dense(num_labels, activation = 'sigmoid', name = 'ae_action')(x_ae)
x = tf.keras.layers.Concatenate()([x0, encoder])
x = tf.keras.layers.BatchNormalization()(x)
x = tf.keras.layers.Dropout(dropout_rates[3])(x)
for i in range(2, len(hidden_units)):
x = tf.keras.layers.Dense(hidden_units[i])(x)
x = tf.keras.layers.BatchNormalization()(x)
x = tf.keras.layers.Activation('swish')(x)
x = tf.keras.layers.Dropout(dropout_rates[i + 2])(x)
out = tf.keras.layers.Dense(num_labels, activation = 'sigmoid', name = 'action')(x)
model = tf.keras.models.Model(inputs = inp, outputs = [decoder, out_ae, out])
model.compile(optimizer = tf.keras.optimizers.Adam(learning_rate = lr),
loss = {'decoder': tf.keras.losses.MeanSquaredError(),
'ae_action': tf.keras.losses.BinaryCrossentropy(label_smoothing = ls),
'action': tf.keras.losses.BinaryCrossentropy(label_smoothing = ls),
},
metrics = {'decoder': tf.keras.metrics.MeanAbsoluteError(name = 'MAE'),
'ae_action': tf.keras.metrics.AUC(name = 'AUC'),
'action': tf.keras.metrics.AUC(name = 'AUC'),
},
)
return model4 参考文献
-
https://www.kaggle.com/competitions/jane-street-market-prediction/discussion/224348
-
https://www.kaggle.com/code/gogo827jz/jane-street-supervised-autoencoder-mlp
THE END !
文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。
