一一中文网

手机浏览器扫描二维码访问

第68章 第一个策略（第1页）

书房的空调嗡嗡作响，努力对抗着鹏城3月的闷热。

林晨盯着屏幕上密密麻麻的代码，眼神专注。

过去一周，他像蚂蚁搬家一样，从tushare和akshare上抓取了沪深300成分股过去五年的日线数据——开盘价、收盘价、最高价、最低价、成交量。

然后用pandas清洗、处理，计算出一系列技术指标：移动平均线（mA）、相对强弱指数（RSI）、布林带（bollingerbands）、mAcd……这些指标被拼接成一个个“特征向量”

，按时间顺序排列，形成了他模型的“饲料”

。

数据准备好了。

接下来，是给这些数据找一个能消化它们、并预测未来的“大脑”

。

他选择了LStm（长短期记忆网络）。

这是一种特殊的循环神经网络（RNN），擅长处理像股价序列这样具有时间依赖性的数据。

普通的RNN在传递长期信息时容易“遗忘”

，而LStm通过精巧的“门”

结构（输入门、遗忘门、输出门）控制信息流，能更好地记住序列中的长期模式。

这听起来很像是为捕捉股市那些若隐若现的“趋势”

和“周期”

量身定做的。

“理论上是这样”

，林晨揉了揉发酸的眼睛，自言自语。

实践是另一回事。

他打开pytorch，开始搭建模型结构。

输入层对应特征维度，接着是两层LStm层，用于捕捉不同时间尺度的依赖关系，然后是dropout层——随机“丢弃”

一部分神经元连接，防止过拟合的常用手段，最后是全连接层输出预测值：下一个交易日的收盘价。

定义损失函数（meanSquaredError，均方误差），选择优化器（Adam），设置学习率、训练轮数（epoch）……

敲下最后一行代码，林晨深吸一口气，点击运行。

风扇的转速明显加快，笔记本电脑的散热口发出轻微的嘶鸣。

屏幕上，代表损失值的曲线开始跳动，随着迭代轮数的增加，那条曲线缓缓向下探去。

训练集上的损失在下降，这意味着模型正在从历史数据中学习规律。

同时，他也预留了一部分从未见过的数据作为验证集，用来监控模型在“新数据”

上的表现，防止它只死记硬背训练数据。

训练持续了将近四十分钟。

当进度条走到终点，林晨立刻启动了回测程序。