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
Uzuki4 小时前
AI可解释性 II | Saliency Maps-based 归因方法(Attribution)论文导读(持续更新)
深度学习·机器学习·可解释性
snowfoootball9 小时前
基于 Ollama DeepSeek、Dify RAG 和 Fay 框架的高考咨询 AI 交互系统项目方案
前端·人工智能·后端·python·深度学习·高考
odoo中国10 小时前
深度学习 Deep Learning 第15章 表示学习
人工智能·深度学习·学习·表示学习
橙色小博10 小时前
长短期记忆神经网络(LSTM)基础学习与实例:预测序列的未来
人工智能·python·深度学习·神经网络·lstm
仙人掌_lz10 小时前
机器学习ML极简指南
人工智能·python·算法·机器学习·面试·强化学习
船长@Quant10 小时前
PyTorch量化进阶教程:第六章 模型部署与生产化
pytorch·python·深度学习·transformer·量化交易·sklearn·ta-lib
zy_destiny12 小时前
【工业场景】用YOLOv12实现饮料类别识别
人工智能·python·深度学习·yolo·机器学习·计算机视觉·目标跟踪
进取星辰12 小时前
PyTorch 深度学习实战(32):多模态学习与CLIP模型
pytorch·深度学习·学习
xiangzhihong814 小时前
Amodal3R ,南洋理工推出的 3D 生成模型
人工智能·深度学习·计算机视觉