距離上一篇文章，正好兩個星期。 這邊文章9月15日 16：30 開始寫。 可能幾個小時後就寫完了。
用一句粗俗的話說， “當你懷孕的時候，別人都知道你懷孕了， 但不知道你被日了多少回 ” ，紀念
這兩周的熬夜，熬夜。 因為某些原因，文章發布的有點倉促，本來應該再整理實驗和代碼比較合適。
文章都是兩個主要作用： 對自己的工作總結， 方便自己回顧和分享給有興趣的朋友。

不說廢話了， 進入正題。 本次的課題很簡單， 深度神經網絡（AI）來預測5日和22日後的走勢。 （22日
尚未整理， 不表）。

先上個工作流程圖， 也基本上是本文章的脈絡：

先說金融需求， 我很希望能預測股票5日後的情況或者22日後的情況。如果知道5日後能漲個10%，概率達到70%以上。
我想肯定會很受用。 應此我把5日後的收盤價格，作為我預測（分類）的目標。
在整個工作過程中， 搭建數據環境和數據整理清洗，耗費了我50%以上的時間。 而且還在我有有基本數據的基礎上。

標準： ～-10 % ， -10 %～-1 %， -1～2 %， 2 %～10 %， 10 %～
應該很好理解吧， 就是5日後收盤價 比今日收盤價低 10%以上為 0類， 如果是10%以上為 4類

接下去就是上主要代碼了，發布主要代碼。

建立LSTM神經網絡：

def buildlstm():
    # expected input data shape: (batch_size, timesteps, data_dim)
    model = Sequential()
    model.add(LSTM(nUnits, return_sequences=True, input_shape=(timesteps, data_dim)))
    model.add(Dropout(0.2))
    model.add(LSTM(nUnits, return_sequences=True))
    model.add(Dropout(0.2))
    model.add(LSTM(nUnits))
    # model.add(Dense(128, activation=‘relu‘))
    # model.add(Dropout(0.2))
    # model.add(Dense(64, activation=‘relu‘))
    # model.add(Dropout(0.2))
    model.add(Dense(32, activation=‘relu‘))
    model.add(Dropout(0.2))
    model.add(Dense(5, activation=‘softmax‘))

    model.compile(loss=‘categorical_crossentropy‘,
                  optimizer=‘rmsprop‘,
                  metrics=[‘accuracy‘])
    print model.summary()
    return model
    pass

主流程：

def run():
    if (os.path.exists(destfile) == True):
        X = pd.read_hdf(destfile, ‘data‘)
        y = pd.read_hdf(destfile, ‘label‘)
        codedtlist = pd.read_hdf(destfile, ‘codedt‘)

        X = np.array(X)
        y = np.array(y)
        codedtlist = np.array(codedtlist)
    else:
        X, y, codedtlist = makedata()

        df = pd.DataFrame(X)
        df.to_hdf(destfile, ‘data‘)

        df = pd.DataFrame(y)
        df.to_hdf(destfile, ‘label‘)

        df = pd.DataFrame(codedtlist)
        df.to_hdf(destfile, ‘codedt‘)

    print ‘read file:‘
    print codedtlist[:10]
    print y[:10]

    X, y, codedtlist = dataDoByYsite(X, y, codedtlist)
    X, y, codedtlist = dataDaluan(X, y, codedtlist)

    print ‘ByYsite and Daluan :‘
    print codedtlist[:10]
    print y[:10]
    print len(X)

    maxLen = len(X)
    splen = maxLen * 90 / 100
    X_train, X_test = X[:splen], X[splen:]
    y_train, y_test = y[:splen], y[splen:]
    codedt_train, codedt_test = codedtlist[:splen], codedtlist[splen:]

    model = buildlstm()
    TrainMode(X_train, y_train, model)
    TestMode(X_test, y_test, model, codedt=codedt_test)

    model.save_weights(‘Result/lstm_class5_2017_debug‘ + ‘_V1.2‘ + ‘.h5‘)

    pass

訓練預測前， 我們數據 類4， 是 5657 ： 233000， 也就是說，你隨機選，大概選 50 個股票會中一個5天內漲 10%的。

很多人想著急看到結果， 想看結果的到文章最後看吧。

下面開始說分析調優， 我認為這是量化交易最重要的工作之一， 另外一個之一就是構建更復雜的神經網絡提高 準確率。

第一輪結果，我用全數據訓練，達到大概 0.5xxx 的ACC 。 然後我把測試數據和預測數據做了對比，結果概率高達多 80%.
然後我去看數據， 一看，發現有問題了。 因為數據基本集中在 類2， 所以在訓練的時候， AI( AI並不AI ), 就很聰明的
往類2 靠， 這樣能很快提高準確率。 其實對我們有意義的是類4的預測。

第二輪訓練測試， 我把所有分類，整成等量的，再做預測。 結果同樣達到 達到大概 0.5xxx 的ACC， 同樣能把測試數據和
預測數據做了對比，相似度最高的前20條， 高達90%。 嚇了我一跳， 還好我也是見過世面的人， 馬上穩定下來查問題。
因為我覺得這麽高的成功率，我成神仙了， 或者說AI成神仙了。 所以說這數據是不符合現實的。


第三輪訓練測試， 等量分類訓練數據， 全量預測數據。
直接說重點 ： 我把中獎率從 2% 提高到了 25%。 也就是 4個股票，其中有1個可以在未來5天內達到 10%。

實際與預測截圖：

相似度大於 0.50 分（滿分為1分） 準確率統計：

再做精細統計：

通俗的表達就是， 選相似度大於 95% 的 類4 預測， 就能達到 4個股票 有 1 個股票5天內能達到 10%。
有沒價值， 金融領域的可能比較清楚。

為了防範風險， 再做一個風險統計：

說明： 統計這個的目的是， 萬一 我不是 4選1 （ 類4）， 而是4選3了， 那我就成了另外的4類了。 踩地雷
的概率是多少呢？ 這個表就是說明這個情況。

That is all ! 文章就此結束。

順便說一下接下想做點什麽事情：
1. 預測實盤， 我搭建的環境是一個研究環境， 所以做實盤環境，還得熬夜。（實盤很重要， 是狗是貓，總得拿出來遛遛 ）
2. 再研究， 在此數據基礎上， 再提升（方法一：提升網絡模型， 方法二：根據預測數據 二次刪選）
3. 我向往的強化學習啊 啊 啊

有對 金融程序化 和 深度學習結合有興趣的可以加群 ， 個人群： 杭州程序化交易群 375129936

深度神經網絡在量化交易裏的應用 之二 -- 用深度網絡(LSTM)預測5日收盤價格