經過一個多月的努力，終于完成了一個簡單的人工智能來判斷第二日股票的漲跌，用的是一個簡單的全連接神經網絡。Tensorflow的架構，簡單說一下實現算法的業務邏輯。

一、數據處理。

取出某個股票的400個交易日內的歷史記錄。對400個交易日內進行各個指標的運算，將運算結果記錄數據庫中。獲取了6個常見的指標，比如說KDJ，MACD等。

把400個指標記錄分別拆分成訓練集和測試集，如下：

隨機拆分的比例大約：9:1

二、訓練網絡

將這些數據放入到神經網絡中進行訓練，訓練的正確率達到90%就可以。

然后用測試集進行驗證。

由于每個股票都會有單獨的特點，因此各個股票都會有一個獨立的擬合模型。

網絡結構代碼如下：

1. 定義輸入層函數：

2. 定義神經網絡結構

3. 編譯網絡

4. 對網絡進行訓練

這個訓練指標感覺一般，產生了一定的過擬合，所以說各個股票的訓練模型在使用的過程中還需要調整。

5. 使用測試集對結果驗證

在這里測試集的正確率是95.34%， 還是比較高的。

三、結果處理

由于是股票投資，對結果的處理，采用了一個分類處理的方式，將神經網絡的處理結果分成3類：-10%至-3%， -3%至3%， 3%至10%。

簡單來說就是，大跌情況，橫盤震蕩情況，大漲情況。三種情況對應三個人工智能判斷的結果，來指導第二天股票的買賣。如圖：

初步的想法是，實盤過程中震蕩結果必然是最多的，但對多只股票進行運算，比如10-20只，當某個股票出現大漲的指標后，第二天及時買入，第三天立即賣出。

四、業務部署

訓練出的模型需要與各個股票對應，股票也許多只，因此在模型的部署上要求會比較高，否則會帶來潛在的大量工作。首先是初次任務，當股票被納入到股票池中后，獲取其400日之內的全部歷史數據計算入庫和處理，同時到處用于神經網絡的訓練集和測試集。盤后的定時任務，通過定時任務將當日的股票數據進行加載和運算。

時間倉促的緣故，神經網絡的訓練過程沒有與業務系統結合，需要手動訓練。但使用工作流的部署方式，讓效率有所提高。將模型推送到git會自動的將線上的模型庫更新。

五、后期處理

剛剛寫完的一種對股票漲停的判斷，由于在量化交易過程中，會存在測不準原理。這個指標方式還是需要時間的檢驗，后期會將每周新產生的數據納入到機器學習的范疇中。達到自動學習自動提高正確率。