年度系列使用Tensorflow预测股票市场变动

Posted 2021-04-24 量化投资与机器学习

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了年度系列使用Tensorflow预测股票市场变动相关的知识，希望对你有一定的参考价值。

从今天起，每天好文不断，公众号整体内容提升

用于分类的多层感知器

是否有可能创建一个神经网络来预测一组交易指标的日常市场走势？

我们将使用Tensorflow创建和开发一个简单的模型框架，以及提出一些对初步结果改进的意见。

ML的任务和输入特征

为了保持基本设计简单，它设置了二进制分类任务，预测第二天的收盘价是高于还是低于当前收盘价，对应于预测下一个时间段是做多还是做空。实际上，这可以让程序去自动分析，该程序在交易日开始时计算并执行一组头寸，以捕获当天的移动。

该模型目前使用4个输入特征（同样，为简单起见）：15 + 50天RSI和14天随机K和D。

之所以选择这些指标，是因为这些指标被归一化在0到100之间，这意味着资产的基础价格与模型无关，从而允许更大的泛化。

虽然可以根据任意数量的其他交易指标对模型进行训练，或者以其他方式对模型进行训练，但我们建议坚持使用那些经过规范化或可以修改为价格规范化或波动性规范化的模型。否则，单一模式不太可能适用于一系列股票。

数据集生成

from datetime import datetime
import numpy as np
import talib
import alpaca_trade_api as tradeapi
import pandas
import time as time
import os

# Creates dataset folders in directory script is run from
try:
    os.stat("./train")
    os.stat("./eval")
except BaseException:
    os.mkdir("./train")
    os.mkdir("./eval")

数据集生成和神经网络脚本已分为两个不同的模块，以便更容易去修改代码，并且只在必要重新生成完整数据集，因为它需要很长时间去运行。

目前，生成器脚本设置为标准普尔500股票列表，从2015年开始每天下载candle，并将它们处理为所需的交易指标，作为模型的输入特征。

然后将所有内容分成一组训练数据（2015年1月 - 2017年6月）和评估数据（2017年6月 - 2018年6月），并将其写为CSV，运行脚本的目录中的“train”和“eval”文件夹。

然后，ML脚本可以根据需要读取这些文件，以训练和评估模型，不需要重新下载和处理任何其他数据。

模型训练

部分代码（获取全部代码请查看文末）

# used to sample batches from your data for training
def createTrainingBatch(amount):

    randomBatchPos = np.random.randint(0, trainDataX.shape[0], amount)

    xOut = trainDataX[randomBatchPos]
    yOut = trainDataY[randomBatchPos]

    return xOut, yOut


tf.logging.set_verbosity(tf.logging.INFO)

# ML training and evaluation functions
def train():
    globalStepTensor = tf.Variable(0, trainable=False, name='global_step')

    sess = tf.InteractiveSession()

    # placeholder for the input features
    x = tf.placeholder(tf.float32, [None, 4])
    # placeholder for the one-hot labels
    y = tf.placeholder(tf.float32, [None, 2])
    # placeholder for node dropout rate
    internalDropout = tf.placeholder(tf.float32, None)

    net = x  # input layer is the trading indicators

在启动时，脚本将“train”和“eval”文件夹中的所有CSV文件读入数据数组，以便在整个训练过程中使用。有了如此小的数据集，RAM的需求将低到不需要额外的复杂性。但是，对于一个更大的数据集来说，必须更新为一次只读取完整数据的样本，每几千个训练步骤就会存储在内存中的数据。然而，这将以更大的磁盘IO为代价，减慢训练速度。

神经网络本身也是非常小的，因为测试表明，当网络较大时，评估精度往往会迅速分化。

【年度系列】使用Tensorflow预测股票市场变动