用深度学习预测股市涨跌之学习记录

从开始学习深度学习就想用深度学习尝试实现对股市涨跌对预测,虽然不抱很大期望,权当练习了。

硬件

I5 + RTX 2060 + 16G内存

数据

首先,不管用什么模型都需要数据。我的数据来源一开始使用的是XTP的测试接口,后来陆续使用了sina的和东财的,发现sina的数据更加稳定些。所以现在的数据来源是sina抓取分时数据(不是全部大A数据,只抓取可转债和对应的正股数据),然后根据每日收盘数据生成日K数据和其它时间间隔的数据。东财数据作为备份。
另外,每周末收盘,我会自动化下载中信的日K数据(转债和京沪深所有股票),作为数据补充。

模型

数据处理

数据使用 (开盘价,收盘价,最高价,最低价,均价,成交量),数据进行均值正则处理。数据处理结果一定要能体现出价格/成交量的升降趋势来。

模型

RNN

用RNN来预测下一个交易日的股票价格。

使用 GRU、LSTM 等多个RNN模型,进行多次、多轮训练后,发现预测到的股票价格曲线总是延后真正的价格曲线一天左右。估计是损失函数用第二日价格做计算的原因。

DQN 及 改进算法

数据

分别用5天|10天的日K数据作为state,动作为(0-买,1-不买),设定对应的奖励。

训练
  • 先是把所有数据作为一个整体训练一个模型,但是效果很不好,很难收敛。估计是因为转债之间特性不一样,还有各种人为干预的原因,导致数据状态之间差异很大。
  • 然后按照每个转债一个模型这样来训练,发现这样能够快速收敛,胜率也比较大,但是真正试验看,效果并不理想,特别是行情较差的情况下,预测不准。经观察发现,胜率较大也只是那些胜率发生在行情好的阶段。

Actor-Critic

数据:分别用5天|10天的日K数据作为state,动作为(0-买,1-不买),设定对应的奖励。

训练
  • 按一个模型进行训练。效果不好,很难收敛
  • 按每个转债一个模型进行训练。非常快收敛,但是收敛后的胜率并不好。如果把惩罚变大,还会使得动作策略变得极为保守。

TRPO

数据:分别用5天|10天的日K数据作为state,动作为(0-买,1-不买),设定对应的奖励。

训练
  • 按一个模型进行训练。效果不好,很难收敛,训练速度极为缓慢且过程中数据量比较大容易中途报错退出。
  • 按每个转债一个模型进行训练。收敛很慢,但是收敛后的胜率比较好。但是训练速度非常慢。500多只转债,剔除掉120元以下的(价格波动较小),训练一次,大约需要2天多的时间。
相关推荐
零零刷2 小时前
德州仪器(TI)—TDA4VM芯片详解(1)—产品特性
人工智能·嵌入式硬件·深度学习·神经网络·自动驾驶·硬件架构·硬件工程
搏博3 小时前
机器学习之三:归纳学习
人工智能·深度学习·学习·机器学习
何双新4 小时前
第2讲、Tensor高级操作与自动求导详解
深度学习
龙萱坤诺5 小时前
图像生成新势力:GPT-Image-1 与 GPT-4o 在智创聚合 API 的较量
人工智能·深度学习·计算机视觉
视觉语言导航5 小时前
复杂地形越野机器人导航新突破!VERTIFORMER:数据高效多任务Transformer助力越野机器人移动导航
人工智能·深度学习·机器人·transformer·具身智能
Blossom.1186 小时前
量子计算在密码学中的应用与挑战:重塑信息安全的未来
人工智能·深度学习·物联网·算法·密码学·量子计算·量子安全
明明跟你说过6 小时前
深度学习常见框架:TensorFlow 与 PyTorch 简介与对比
人工智能·pytorch·python·深度学习·自然语言处理·tensorflow
搏博6 小时前
专家系统的基本概念解析——基于《人工智能原理与方法》的深度拓展
人工智能·python·深度学习·算法·机器学习·概率论
我是个菜鸡.6 小时前
视觉/深度学习/机器学习相关面经总结(2)(持续更新)
人工智能·深度学习·机器学习
沛沛老爹7 小时前
BP 算法探秘 :神经网络的幕后引擎
深度学习·反向传播·前向传播·bp算法