作者：chen_h
微訊號 & QQ：862251340
微信公眾號：coderpai
簡書地址：https://www.jianshu.com/p/31a…
論文連結：arxiv
1. 論文摘要
在這篇文章中，作者提出了一個神經網路架構用來對股票價格進行預測，使用的資料來源是股票的一些技術分析指標。首先，作者開發了一個將金融股票序列資料轉化成一系列買賣的訊號，也就是製作模型訓練集和測試集。然後，在所有道指股票上面進行學習（時間從 1997 年到 2007 年）。作者使用了 Apache Spark 大資料框架用於訓練過程，最後利用從 2007 年到 2017 年的資料進行模型測試。結果表明，通過選擇最合適的技術指標，在大多數情況下，神經網路模型可以實現比較好的策略結果。此外，微調技術指標和（或）優化策略可以提升整體的交易表現。
2. 資料處理
股票市場上面有許多的技術指標，在這裡我們主要選擇的是三種技術指標：RSI，MACD 和 Williams %R（WR）。
2.1 Relative Strength Index（RSI）
相對強弱指數（RSI）是顯示股價歷史強弱的技術動量指標。它還比較了在特定時間段內的損失和收益，具體公式如下：
2.2 Moving Average Convergence and Diver- gence（MACD）
MACD 是一個說明股價走勢的技術指標。它等於 12 日指數移動平均線（EMA）與 26 日均線指數（EMA）的差值。具體公式如下：
2.3 Williams %R（WR）
威廉指標是基於動量的技術指標，顯示股價超買和超賣的變化。具體公式如下：
3. 模型分析
在這篇文章中，作者一共用了兩個模型：一個是金融序列模型，用來處理原始資料，得到我們的買點和賣點；另一個是神經網路模型，用來預測買點和賣點。
3.1 金融序列模型
我們通過編寫模型，來自動分析股票歷史資料中的波峰和波谷，從而得到買點和賣點資料。
3.2 神經網路模型
神經網路模型一共有四層，即一個輸入層（4個節點），兩個隱藏層（5個節點和4個節點）和一個輸出層（3個節點）。我們輸入的資料分別是收盤價（close price），RSI，WR和MACD。輸出資料是買點，賣點和不操作（三分類）。具體模型如下：
論文完整的演算法步驟，可以如下概括：
作者：chen_h
微訊號 & QQ：862251340
簡書地址：https://www.jianshu.com/p/31a…
CoderPai 是一個專注於演算法實戰的平臺，從基礎的演算法到人工智慧演算法都有設計。如果你對演算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM演算法微信群，ACM演算法QQ群。長按或者掃描如下二維碼，關注 “CoderPai” 微訊號（coderpai）
