一. 近期，网上看到些用LSTM通过价量数据预测股票未来收益的文章，通过历史价量对未来走势进行分类和预测，这是技术分析师过去100年都在干的事儿，用什么样的分析周期，将价量数据加工成什么技术指标，指标之间以及不同交易周期的图表之间如何配合使用，也都是技术分析师需要回答的问题，是否能够通过这些业务知识的理解，利用LSTM模型得到更好的效果，这是本文要探讨的问题，作为本系列工作的起点，先列一下之前看过的工作：
- LSTM Neural Network for Time Series Prediction，作者是：Jakob Aungiers 现就职于汇丰银行伦敦总部，担任全球资产管理的开发副总裁。擅长机器学习，神经网络等领域。这一工作的github地址：https://github.com/jaungiers/LSTM-Neural-Network-for-Time-Series-Prediction；方法介绍：http://www.jakob-aungiers.com/articles/a/LSTM-Neural-Network-for-Time-Series-Prediction；这一工作有中文译文：https://www.jianshu.com/p/61b87628b737，但英文的内容更全面些;
2.BigQuant上面通过LSTM使用30天的高、开、低、收、成交量、成交额等六个特征预测未来五天收益率的工作，网络结构比较简单：一层LSTM+三层Dense, 地址：https://community.bigquant.com/t/LSTMNetworks%E5%BA%94%E7%94%A8%E4%BA%8E%E8%82%A1%E7%A5%A8%E5%B8%82%E5%9C%BA%E6%8E%A2%E7%A9%B6/317；
-
https://www.jianshu.com/p/8122f866436b,BigQuant工作中数据来源为tushare的版本，我这个系列的实践以这一工作为起点，为一工作也作为我未来工作的baseline,下面的背景介绍中，也会用到文中的部分内容，在此对作者表示感谢；
-
至于LSTM的背景知识，以及编程实现，我也是个小白，而网上的好资料很多，在此只推荐一本我觉得不错的书《deep learning with python with python》
deep-learning-with-python.jpg
二. 工作的基本思路：
（一）在先工作简介：
-
LSTM处理股票数据的一般流程：
image.png
２.在先工作的基本思路：
(1).为利用沪深300前100天的收盘价预测下一天的收盘价。从结果来看，LSTM对未来20天的预测基本上是对过去100天收盘价变化的趋势的总括，因此最终的预测结果以及回测结果都不是很理想。 之后尝试增加了features（每日Open,High,Low,Close,Amount,Volume），效果依然不是很好。
通过对结果进行分析以及阅读研究一些研报，得到的初步结论为：一是input时间跨度太长（100天的价格走势对未来一天的价格变化影响很小），而待预测数据时间跨度太短；二是收盘价（Close）是非平稳数据，LSTM对于非平稳数据的预测效果没有平稳数据好。
(2)LSTM对沪深300未来五日收益率预测
综合以上两点，本文所使用的输入和输出为利用过去30天的数据预测将来五天的收益。
测试对象：沪深300
数据选择和处理：
input的时间跨度为30天，每天的features为['close','open','high','low','amount','volume']共6个，因此每个input为30×6的二维向量。
output为未来5日收益future_return_5（future_return_5>0.2,取0.2;future_return_5<-0.2,取-0.2)，为使训练效果更加明显，output=future_return_5×10； features均经过标准化处理(在每个样本内每个feature标准化处理一次)。
训练数据：沪深300 2005-01-01至2014-12-31时间段的数据；测试数据：沪深300 2015-01-01至2017-05-01时间段数据。
模型构建：鉴于数据较少（训练数据约2500个，预测数据约500个），因此模型构建的相对简单。模型共四层，为一层LSTM层+三层Dense层。
image.png
（3）回测(待续)：得到LSTM预测结果后，若LSTM预测值小于0，则记为-1，若大于0，记为1。
（二）进一步实验的初步思路（假设问好）:
(1) 在先工作并未进行回测，仅为回测进行了最基础的数据准备，bigquant的工作是将回归结果按未来5天收益率>0作为买入信号，进行回测。下一步工作中，仅用回归的mse,以及混淆矩阵：
image.png
此处真阳性即预测上涨实际也上涨，真阴性即预测下跌实际也下跌。如果简单实验的结果支持进一步实验，再结合资金管理及风控手段，形成交易策略并进行回测。
（2）在先工作中，在时间周期的选择上，用前30天的价量数据预测未来5天的涨跌幅，并根据预测结果进行操作决策，操作的最小周期为5天，即一周，根据技术分析的Factor of Five原则，其上一级分析周期应该为25天，再结合笔者自己的交易习惯，在时间周期上相关的过去周期为5天、20天、30天和60天，具体如何使用这些天数的组合，在实验过程中再行调整。
（3）.在先工作中，选用【高、开、低、收、成交量、成交额】等六个特征，在传统技术分析中， 这六个特征中，最常用的是收盘价和成交量，在价格形态和趋势线等工具中，上升趋势线还用到高、低。本次实验中，先采用:[close],[close,volume],[close,high,low,volume]等三个组合，与在先工作中的六个特征结果进行比较。完成后，拟加入笔者最常用的技术指标，包括：ROC、sma,ema,macd、roc等；前不久看过一个挪威同行的工作，工作中称将技术信号（如超买、超卖、是否金叉)作为机器学习算法的输入对股价的预测有帮助，在本次工作中也拟试试这一思路；
（4）.技术分析的践行者中，严肃交易者通常只针对2-3个特定的技术形态进行操作，甚至有些交易者只操作某一个特定形态，即使是技术分析师，在不启动忽悠模式的时候，对很多股票的走势也无从判断，因此，对于任何股票的走势预测的严肃预测，应该是【涨、跌、不知道】，这一思路在未来的实际中也要体现，这一思路部分源于听锐信(racing)资本管大宇的相关工作，特此向管总表示感谢；
(5). 在技术分析，通常应用综合多个交易周期形成交易决策，用大周期定势，用本周期和次周期分析决定进出，这部分工作的经典代表，我知道的有：《交易为生》作者埃尔德的三重滤网系统、缠论的区间套分析法，这两种方法，也是笔者现在最为常用的技术分析体系，未来如有机会将另行讨论。如果前述4个工作在实证中有效，笔者将讨论不同周期数据预测的组合使用，以及LSTM结果与技术交易系统结合使用的可能性。
以上种种只是初步的设想，未来的走向还是要在实证中不停的完善和修订，实证的结果也会放在后续文章中。
（6）. 今天一位好友提到只用LSTM不用Dense会得到更好的效果，过几天一并证实。
，
网友评论