前一陣子在同學(xué)的鼓動下，花了一個多月研究了股票行情的預(yù)測方法，熟悉了常見的炒股術(shù)語及技術(shù)指標(biāo)，現(xiàn)總結(jié)如下，純屬興趣，如果想依照本文的方法來短線操作獲利，請繞道。

研究的第三步就是建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型了，還是使用keras來搭建，使用簡單的3層全連接層做實驗，輸出就是根據(jù)第二天的漲跌幅分為5類：漲(范圍[0.01,]）、微漲(范圍[0.003，0.01])、平（范圍[-0.003,0.003]）、微跌（范圍[-0.01,-0.003]）、跌(范圍[, -0.01])，測試了下這么分，5類概率幾乎均等。

輸入選擇什么呢？如果直接將最近N天的開盤價、收盤價、交易量等原始值輸進(jìn)去，應(yīng)該是很難訓(xùn)練的，畢竟不同股票的價格差異較大，同一個股票幾年前的價格、交易量跟現(xiàn)在也類似，很難收斂，如果輸入上篇文章中的股票技術(shù)指標(biāo)，這些指標(biāo)又太簡單，主要用于繪圖讓人觀察，我們采用了不同天數(shù)的收盤價格滑動平均（類似于MACD中的ema計算）、不同天數(shù)的收盤意愿滑動平均（類似于CR指標(biāo)的計算）、不同天數(shù)的股票振幅滑動平均、不同天數(shù)的交易量滑動平均，注意所有的平均值計算完后還要除以一個基準(zhǔn)值，使得每個值都在1.0附近。

def GetPara(m, allDate):
    if 1:   #簡單處理下輸入SVM，效果較好  
        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訓(xùn)練，loss='categorical_crossentropy', optimizer='adam',metrics=['accuracy'], class_mode='categorical'，隨機(jī)采用10%的數(shù)據(jù)做驗證，經(jīng)過長時間的等待，結(jié)果如下：

準(zhǔn)確率35%左右，嗯，比扔銀幣的20%好多了。

總結(jié)

以上是生活随笔為你收集整理的股票涨跌预测方法之三：建立模型并训练的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。