相信每一个进入到深度学习领域的同学都不可避免的使用过CNN，并且每个人也许都试过深度学习的101--手写数字识别。这是第一个让我们见识到深度学习的神奇的一个模型，一个简单的卷积池化全连接就让模型拥有了不错的识别准确率，这即便是用传统算法，也不是一日之功。
废话少絮，我们先来看一下一个简单的CNN模型是怎么样的！其实也很简单，图像一般有3个通道，对每个通道进行卷积，然后进行最大池化，当然前面两个过程可以重复，然后是全连接，而后用softmax进行分类。
那么我们怎么用CNN来构建一个股票预测模型呢？也非常简单，我们用选取一定天数的技术指标作为输入，关于技术指标，大家可以用TA-lib来获取，至于选多少个技术指标，大家可以用随机森林或者SVM来进行筛选。假如我们选定了10个技术指标，我们用30天的数据来预测1天的涨跌！那么我们的输入就是一个30x10的矩阵，类似的我们可以对它做二维卷积。我们用两层的卷积层，用2x2的Max polling，全连接后用softmax输出两个分类，也就是说，我们的分类是一个长度为2的one-hot向量。
我们的模型建立好了之后，我们用keras来实现这段代码！实现起来非常简单！我们选用3x3的卷积核，用两层的卷积，每层我们都做一个2x2的池化。
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), strides=(1, 1), activation='relu', input_shape=(,30,10))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(1024, activation='relu'))
model.add(Dense(2, activation='softmax'))
那么这个模型的表现如何呢？很遗憾的告诉大家，准确率高的会有57%左右。但基本上准确率都分布在50%左右! 在我用相对层数较多的CNN做的实验中，有一次我对训练数据进行了倒序排列，这个混账模型居然出了90%以上的准确率。让几年前刚接触机器学习的我高兴的夜不能寐，当时还没有tensorflow和keras，还是用的python的机器学习库。这显然是不可能的，因为回测的年化收益率超过了10000倍！没有无缘无故的欺骗，原因是因为透露这种方式透露了未来的数据。那么有同学要问了，57%的准确率有没有可操作性呢？或者说回测的收益率如何呢？事实上可以告诉大家，57%的准确率收益已经非常的可观。但是泛化能力不行，仅仅停留在测试结果还不错，也就是说其实是过拟合的！
有同学要问了，看了这篇文章感觉还是一头雾水呢？卷积是一个什么样的过程？池化又是一个什么样的过程？什么又是全连接？softmax是什么原理？我们先来看几张图，简要的来解释一下。卷积其实是一个很简单的矩阵运算过程，大家可以看下图，这是卷积核做卷积的过程。
池化就更简单了，2x2最大池化也就是保留4个值里最大的，这是一种特征值提取方法。
全连接则是和上一层的所有神经元都相连，怎么来理解呢，就是将所有的特征都取出来。
Softmax是干什么呢？其实很简单，将全连接的输出转化为相对概率。我们这个例子里会出现两个相对概率，最后就看谁大了。
当然我们这里只是简单通俗的解释了一下这些基本概念，后续会有一片文章系统的来讲解这些概念。了解更多深度学习和量化知识，请移步我的星球：AI量化(https://t.zsxq.com/RvfY37y) 星球限时免费，如需加入，请私信我获得免费邀请码！微信公众号：QTechAI
网友评论