股票涨跌预测方法之三：建立模型并训练

前一阵子在同学的鼓动下，花了一个多月研究了股票行情的预测方法，熟悉了常见的炒股术语及技术指标，现总结如下，纯属兴趣，如果想依照本文的方法来短线操作获利，请绕道。

         研究的第三步就是建立神经网络预测模型了，还是使用keras来搭建，使用简单的3层全连接层做实验，输出就是根据第二天的涨跌幅分为5类：涨(范围[0.01,]）、微涨(范围[0.003，0.01])、平（范围[-0.003,0.003]）、微跌（范围[-0.01,-0.003]）、跌(范围[, -0.01])，测试了下这么分，5类概率几乎均等。

         输入选择什么呢？如果直接将最近N天的开盘价、收盘价、交易量等原始值输进去，应该是很难训练的，毕竟不同股票的价格差异较大，同一个股票几年前的价格、交易量跟现在也类似，很难收敛，如果输入上篇文章中的股票技术指标，这些指标又太简单，主要用于绘图让人观察，我们采用了不同天数的收盘价格滑动平均（类似于MACD中的ema计算）、不同天数的收盘意愿滑动平均（类似于CR指标的计算）、不同天数的股票振幅滑动平均、不同天数的交易量滑动平均，注意所有的平均值计算完后还要除以一个基准值，使得每个值都在1.0附近。

 

def GetPara(m, allDate):    if 1:   #简单处理下输入SVM，效果较好          data = []        tmp = avg1(m.close, 32)        data.append(m.close/tmp)        data.append(avg1(m.close, 2)/tmp)        data.append(avg1(m.close, 4)/tmp)        data.append(avg1(m.close, 8)/tmp)        data.append(avg1(m.close, 16)/tmp)                tmp = m.close.copy()        tmp[0] = (m.high[0]+m.low[0])/2        tmp[1:] = (2*m.close[:-1] + m.high[:-1] +m.low[:-1]).values /4        a = m.high - tmp        b = tmp - m.low        data.append(avg1(a, 2)/avg1(b, 2))        data.append(avg1(a, 4)/avg1(b, 2))        data.append(avg1(a, 8)/avg1(b, 2))        data.append(avg1(a, 16)/avg1(b, 2))        data.append(avg1(a, 32)/avg1(b, 2))                tmp = (m.high- m.low)/ ((m.high+ m.low+0.00001)/2)        data.append(tmp)        data.append(avg1(tmp, 2))        data.append(avg1(tmp, 4))        data.append(avg1(tmp, 8))        data.append(avg1(tmp, 16))        data.append(avg1(tmp, 32))            tmp = avg1(m.volume, 32)        data.append(m.volume/tmp)        data.append(avg1(m.volume, 2)/tmp)        data.append(avg1(m.volume, 4)/tmp)        data.append(avg1(m.volume, 8)/tmp)        data.append(avg1(m.volume, 16)/tmp)                data = np.array(data).T        X_train = []        Y_train = []        n2 = 28        for k in range(30, len(tmp)-1):            if allDate[m.date[k-1]] - allDate[m.date[k-n2]] != n2-1:                continue            X_train.append(data[k, :].ravel())                        #v = (m.close[k]-m.close[k-1])/m.close[k-1]                        v = (m.close[k+1]-m.close[k])/m.close[k]            if v>=0.01: tmp=0            elif v>=0.003: tmp=1            elif v>=-0.003: tmp=2            elif v>=-0.01:tmp = 3            else: tmp = 4            Y_train.append(tmp)        return X_train, Y_train        

然后就是建立模型并训练，loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'],  class_mode='categorical'，随机采用10%的数据做验证，经过长时间的等待，结果如下：

     准确率35%左右，嗯，比扔银币的20%好多了。