如何用 Python 构建神经网络择时模型

突发奇想想写一个神经网络的策略，于是随便找了一支股票用 python 实现了一下，股票和特征都有限，仅作为参考，有空还会尝试下全部股票池的策略和加入更多的因子作为特征，特别地，由于我经常犯未来函数的错误，希望大家帮我检查下。所谓神经网络就是多个特征交叉影响结果的数据统计模型，因为 python 有直接的包，具体细节就不说了。本文用的是 pybrain 的包，虽然用的算法比较慢，但是比较灵活简单。

import matplotlib.pyplot as plt
from matplotlib import rc
rc('mathtext', default='regular')
import seaborn as sns
sns.set_style('white')
因为铜币不够导致篇幅有限，余下的请看： https://uqer.io/community/share/57a883b3228e5b9b98a88f24

本文选的是 000001.XSHE 平安银行这只股票（就只是单纯随便选而已），选取了波动率指标： EMV ，短期和长期均线指标： EMA5 和 EMA60 ， MA5 和 MA60 ，动量和反转指标： REVS5 和 REVS20 ，成交量指标： VEMA5 ，财务指标： PE ，能量指标： Elder ，这 12 个指标作为输入值，下一日股票的涨跌幅作为输出值。

考虑到样本的容量需要保证，但是太久远的数据可能参考性不大，本文选取 2012-2015 这三年的输入和输出总共 627 组样本作为训练集。

因为铜币不够导致篇幅有限，余下的请看： https://uqer.io/community/share/57a883b3228e5b9b98a88f24

这里对数据进行了中心化处理，保证不同参数的可比性。

这里定义了 Sigmoid 函数其作用是将取值为 R 的输入映射到[-1,1]上，以满足神经网络模型的输入需要。

这一步是训练模型，本文设定的模型除了输入和输出层外，含有两个隐藏层，每个隐藏层含有 13 个单元，并且设定了迭代次数为 500 次，理论上迭代次数应该越多越好，但实际上后面的迭代带来的误差缩小已经微乎其微。

另外这里的 momentum 的大小是解跳出局部最优的步长，太大就很难收敛，太小就容易陷入局部最优。 weightdecay 指的是单次权重改变的步长，太大也会不容易收敛，太小就比较慢。

此模型训练结果每次都不一样，可以多训练几次找到误差相对较小的保存下来。

话不多说，上图咯

本文选取 2015-2016 年作为测试集，将模型用于测试集的效果，可以看出还是有一定的跟踪效果的。

这是买入卖出信号，红色表示买入，绿色表示卖出。

这是策略的回测结果，可见策略在股市平稳波动是效果较好，而出现突发性的上涨和下跌是效果较差。

menc

2016-09-27 20:17:44 +08:00

总共 627 组样本
12 维输入
用的还是 DL 用的非常少的 sigmoid 激活函数
就放进 NN 里跑了？

“此模型训练结果每次都不一样，可以多训练几次找到误差相对较小的保存下来。 ”
这个真是笑死了，模型训练不稳定了还可以这么玩，找一个 loss 小的保存下来？

说句实在话，这么多软文也写了，没有任何干货。
一不教人入门量化，直接就上模型。
二对模型和机器学习本身根本不了解，只是在瞎用。
误人子弟这种事情，是最可怕的。

机器学习不是银弹，不是你喂给它输入，调调参数，就能出一个很厉害的东西。