目录

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。
本文是转载文章,点击查看原文
如有侵权,请联系 xyy@jishuzhan.net 删除
相关推荐
Jamence6 分钟前
多模态大语言模型arxiv论文略读(一)
人工智能·深度学习·语言模型
KangkangLoveNLP9 分钟前
手动实现一个迷你Llama:使用SentencePiece实现自己的tokenizer
人工智能·深度学习·学习·算法·transformer·llama
thinkMoreAndDoMore2 小时前
深度学习处理文本(5)
人工智能·python·深度学习
weixin_750335522 小时前
李沐 X 动手学深度学习--第九章 现代循环神经网络
人工智能·rnn·深度学习
摸鱼仙人~2 小时前
深度学习数据集划分比例多少合适
人工智能·深度学习
矩阵猫咪2 小时前
基于时间卷积网络TCN实现电力负荷多变量时序预测(PyTorch版)
pytorch·深度学习·tcn·时序预测·时间卷积网络·电力负荷
Blossom.1183 小时前
《探索边缘计算:重塑未来智能物联网的关键技术》
人工智能·深度学习·神经网络·物联网·机器学习·计算机视觉·边缘计算
wgc2k3 小时前
吴恩达深度学习复盘(6)神经网络的矢量化原理
python·深度学习·矩阵
Ronin-Lotus3 小时前
深度学习篇---模型训练早停机制
人工智能·pytorch·深度学习·模型训练·过拟合·早停
yolo大师兄4 小时前
【YOLO系列(V5-V12)通用数据集-火灾烟雾检测数据集】
人工智能·深度学习·yolo·目标检测·机器学习