基于模型构建的策略通常会选择模型预测最高的前N%买入，即上中最右边一列是真正会用于交易的地方，
使用全部的特征进行预测，预处理流程如下：
平稳的时间序列数据需要满足以下三个条件：滑动窗口内的序列值均值为固定常数：Ext=eE_{xt}=eExt=e滑动窗口内的序列值方差为固定常数：Varxt=vVar_{xt}=vVarxt=v序列存在自相关性，协方差只与时间间隔有关：Cov=c∗kCov=c*kCov=c∗k其中，e,v,c都是常数；k代表时间间隔也是常数非平稳的时间序列数据：与平稳相对的，统计指标会随时间变化
这里我们选择LSTM模型来进行建模，原因是深度学习中类似LSTM结构与激活函数等非线性变化，可以很好的突破“平稳”的前提假设，用魔法打败魔法。但与之对应的，我们需要尽可能多的构造有效性较高的数据，以提升模型的效果。
最终预测效果
趋势：长期的趋势季节性：存在固定且已知的周期变化趋势周期性：存在不固定的周期变化趋势噪声：一定的随机性
过去5日换手率均值过去10日换手率均值过去5日涨跌幅过去10日涨跌幅MACD指标DIF值MACD指标DEA值MACD值阿隆指标DOWN值阿隆指标UP值
LSTM训练流程
但是因为股票序列本身就是时序数据，因此在计量经济学中很早就以股票数据为例，讲解时间序列数据的分析的案例。这里我们使用LSTM，一种很常用的时间序列数据的分析模型，对股价进行预测。
其中，训练集训练效果如下所示：
我们发现，预测效果相对较好的地方呈现“X”的形状，产生这个原因的解释是：
时序数据的基本假设称为“平稳时间序列假设”：
对全部数据进行标准化切分数据：训练集：2015-2020年的后复权股票数据验证集：训练集中最后的10%的数据测试集：2020-2023年的后复权股票数据优化器：Adamloss函数：MSEBatchsize：64
预测之后，我们对测试集的结果与预测的结果分别进行等频的数据分箱，分为10个有固定数量的区间，然后绘制的胜率效果如下：
input_size：x的特征维度hidden_size：隐藏层的特征维度num_layers：lstm隐层的层数，默认为1
时间序列的数据通常被认为是由以下几个因素构成的：
传统的线性模型，由于需要使用最小二乘法与最大似然估计对数据进行拟合，因此前提假设需要满足“序列平稳”，而相对于使用截面数据，机器学习的前提假设是样本点之间“独立同分布”。而对于金融数据来讲，截面因子逻辑上讲其实并不满足独立同分布，序列想要满足相对平稳的要求往往要用到周线数据+2阶差分，因此在应用层面，无法满足我们细粒度的研究，尤其是在量化应用上，交易机会瞬息万变，研究粒度越小越好。
LSTM建模代码
这里我们构造的特征简单一些，与使用SVM的特征一样：
特征构造
训练150次
LSTM量化建模
模型训练/验证效果
博主使用pytorch构造LSTM模型，模型代码如下：
时间序列数据处理的特点
验证集的效果如下所示：
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论