經(jīng)過一個(gè)多月的努力，終于完成了一個(gè)簡(jiǎn)單的人工智能來判斷第二日股票的漲跌，用的是一個(gè)簡(jiǎn)單的全連接神經(jīng)網(wǎng)絡(luò)。Tensorflow的架構(gòu)，簡(jiǎn)單說一下實(shí)現(xiàn)算法的業(yè)務(wù)邏輯。

一、數(shù)據(jù)處理。

取出某個(gè)股票的400個(gè)交易日內(nèi)的歷史記錄。對(duì)400個(gè)交易日內(nèi)進(jìn)行各個(gè)指標(biāo)的運(yùn)算，將運(yùn)算結(jié)果記錄數(shù)據(jù)庫中。獲取了6個(gè)常見的指標(biāo)，比如說KDJ，MACD等。

把400個(gè)指標(biāo)記錄分別拆分成訓(xùn)練集和測(cè)試集，如下：

隨機(jī)拆分的比例大約：9:1

二、訓(xùn)練網(wǎng)絡(luò)

將這些數(shù)據(jù)放入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，訓(xùn)練的正確率達(dá)到90%就可以。

然后用測(cè)試集進(jìn)行驗(yàn)證。

由于每個(gè)股票都會(huì)有單獨(dú)的特點(diǎn)，因此各個(gè)股票都會(huì)有一個(gè)獨(dú)立的擬合模型。

網(wǎng)絡(luò)結(jié)構(gòu)代碼如下：

1. 定義輸入層函數(shù)：

2. 定義神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3. 編譯網(wǎng)絡(luò)

4. 對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練

這個(gè)訓(xùn)練指標(biāo)感覺一般，產(chǎn)生了一定的過擬合，所以說各個(gè)股票的訓(xùn)練模型在使用的過程中還需要調(diào)整。

5. 使用測(cè)試集對(duì)結(jié)果驗(yàn)證

在這里測(cè)試集的正確率是95.34%， 還是比較高的。

三、結(jié)果處理

由于是股票投資，對(duì)結(jié)果的處理，采用了一個(gè)分類處理的方式，將神經(jīng)網(wǎng)絡(luò)的處理結(jié)果分成3類：-10%至-3%， -3%至3%， 3%至10%。

簡(jiǎn)單來說就是，大跌情況，橫盤震蕩情況，大漲情況。三種情況對(duì)應(yīng)三個(gè)人工智能判斷的結(jié)果，來指導(dǎo)第二天股票的買賣。如圖：

初步的想法是，實(shí)盤過程中震蕩結(jié)果必然是最多的，但對(duì)多只股票進(jìn)行運(yùn)算，比如10-20只，當(dāng)某個(gè)股票出現(xiàn)大漲的指標(biāo)后，第二天及時(shí)買入，第三天立即賣出。

四、業(yè)務(wù)部署

訓(xùn)練出的模型需要與各個(gè)股票對(duì)應(yīng)，股票也許多只，因此在模型的部署上要求會(huì)比較高，否則會(huì)帶來潛在的大量工作。首先是初次任務(wù)，當(dāng)股票被納入到股票池中后，獲取其400日之內(nèi)的全部歷史數(shù)據(jù)計(jì)算入庫和處理，同時(shí)到處用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集。盤后的定時(shí)任務(wù)，通過定時(shí)任務(wù)將當(dāng)日的股票數(shù)據(jù)進(jìn)行加載和運(yùn)算。

時(shí)間倉促的緣故，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程沒有與業(yè)務(wù)系統(tǒng)結(jié)合，需要手動(dòng)訓(xùn)練。但使用工作流的部署方式，讓效率有所提高。將模型推送到git會(huì)自動(dòng)的將線上的模型庫更新。

五、后期處理

剛剛寫完的一種對(duì)股票漲停的判斷，由于在量化交易過程中，會(huì)存在測(cè)不準(zhǔn)原理。這個(gè)指標(biāo)方式還是需要時(shí)間的檢驗(yàn)，后期會(huì)將每周新產(chǎn)生的數(shù)據(jù)納入到機(jī)器學(xué)習(xí)的范疇中。達(dá)到自動(dòng)學(xué)習(xí)自動(dòng)提高正確率。