금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학

368

4

부

강화 학습과 자연어 처리

6.

데이터 테스트

데이터를 훈련한 후 테스트 데이터셋에서 모델을 평가한다. 이 단계는 강화 학습에 특히 중

요하다. 에이전트가 보상을 데이터의 가짜 특성과 잘못 연관시키거나 특정 차트 패턴에 과

적합할 수 있다. 테스트 단계에서는 테스트 데이터에 대한 훈련 단계에서 이미 훈련된 모델

(

model

_

ep10

)의 성능을 확인한다. 파이썬 코드는 이전에 본 훈련셋과 유사하다. 그러나

is

_

eval

를

true

로 설정하고 응답 버퍼 함수를 호출하지 않으며 학습이 없다. 결과를 살펴

보자.

# 에이전트는 앞선 훈련셋에 이미 정의되었음.

test_data = X_test

l_test = len(test_data) - 1

state = getState(test_data, 0, window_size + 1)

total_profit = 0

is_eval = True

done = False

states_sell_test = []

states_buy_test = []

model_name = “model_ep10”

agent = Agent(window_size, is_eval, model_name)

state = getState(data, 0, window_size + 1)

total_profit = 0

agent.inventory = []