그래프는 노드와 간선으로 구성됨.  import torchfrom torch_geometric.data import Dataedge_index = torch.tensor([[0, 1, 1, 2], [1, 0, 2, 1]], dtype=torch.long)x = torch.tensor([[-1], [0], [1]], dtype=torch.float)data = Data(x=x, edge_index=edge_index) edge_index각 열은 하나의 엣지를 나타내며, 첫 번째 행은 엣지의 출발 노드두 번째 행은 엣지의 도착 노드를 나타냄 노드 0에서 노드 1로 엣지노드 1에서 노드 0으로 엣지(양방향)노드 1에서 노드 2로 엣지노드 2에서 노드 1로 엣지 (양방향) 두 배열을 좌 우로 보면 무슨말인지 알..

참고 논문 리딩ETF 가격 방향성 예측을 위한 그래프 구조 학습 기반 신경망 -조현수, 김진기, 김태훈, 신기정 1. ETF를 선택한 이유개별 종목은 위험도 높아서  2. 시계열 기반 모델의 한계점서로 다른 종목들의 연관 관계를 반영하지 못함(ETF는 추정 지수에 포함된 다양한 구성 종목에 대한 정보를 내포) 그래서 그래프 구조 학습 방법론 으로 각 ETF를 정점(node) 으로 가지는 그래프를 추론 추론된 그래프와 시계열 모델로부터 얻은 ETF 임베딩을 입력으로 그래프 신경망을 수행그래서 단순한 시계열 모델로는 포착하기 어려운 종목 간의 상호 의존성을 파악가능최종적으로 상승, 보합, 하락 확률을 예측함 포트폴리오 전체의 움직임을 예측하는데 유용  3. 모델ARIMAExponential Smoothing..

이전 시간에는 간단히 2계층 신경망을 구성해 보았다, 엄청 느리지만 몇줄 안되는 코드로 숫자 맞추기가 86% 넘는 정확도로 학습되었다. 중간에 학습된 매개변수를 저장했다면 직접 손글씨를 써서 예측을 돌려 볼 수도 있었을 것이다. 신경망은 학습데이터를 입력받고 손실을 출력한다. \(W\), \(b\) 매개변수를 미분하는 것이 신경만의 첫번째 핵심 원리이다. 이전 장에서처럼 미분을 한다면 많은 연산량으로 인해 컴퓨팅 성능에 한계가 생긴다. 미분을 빨리 수행하는 것이 두번째 핵심 원리이다. 오차역전파법 오차역 전파법의 핵심은 합성함수의 미분이다. \(z = g(f(x))\) 라는 함수가 있을 때 \(y = f(x)\) 와 \(z = g(y)\) 라는 두 함수로 표현할 수 있다. \(x\) 에 대한 \(z\)의..

이전 장에서는 경사하강법, 활성화 함수, 오차함수에 대해서 알아봤다. 이번 장에는 이전 장에서 구성된 파이썬 소스를 이용해 가장 단순한 형태의 신경망을 구성해본다. 신경망 네트워크는 2계층을 구성한다. network.py from layers import * from gradient import * class TwoLayerNet: # 생성자에서 하이퍼 파라미터를 받는다 def __init__(self, input_size, hidden_size, output_size, weight_init_std=0.01): # 가중치(Weight) 초기화 # W1, W2 가중치는 정규 분포로 초기화 # b1, b2 편향은 0으로 초기화 self.params = { 'W1': weight_init_std * np.ra..

신경망을 이해하기 위해서는 퍼셉트론을 이해하는 것이 좋다. 간단하게 퍼셉트론을 설명하자면 선형함수(직선의 방정식) 와 활성화 함수의 조합이라 할 수 있다. 직선의 방정식은 \( y = ax + b \) 로 표현할 수 있는데, 활성화 함수는 \(y\) 가 특정 임계값을 넘으면 뉴런을 활성 시키는 역할을 한다. 뉴런이 활성화 되는 것은 true, 비활성화 되는 것을 fals의 상태로 보고 논리회로를 퍼셉트론으로 구현하면서, XOR 게이트의 비선형성을 다층 퍼셉트론으로 설명한다. 단일 퍼센트론은 하나의 뉴런이고 다층 퍼셉트론은 신경망이라고 할 수 있다. 다층 퍼셉트론으로는 비선형적 경계, 다시 말해 2차원 평면상에서의 곡선, 다차원 공간에서 경계를 표현할 수 있기 때문에 신경망을 다층 퍼셉트론으로 설명한다. ..