前面讨论过LSTM的预测模型，同学们百度也好，科学谷歌也好，能找到的LSTM的模型无非是在讨论模型本身，无非Seq2Seq、Seq2one等等各种，或者再加上Attention机制等等。总之，同学们把代码clone下来，发现不工作嘛！看起来拟合的很好的预测曲线，看起来很美好的回测数据，惨不忍睹的实盘结果。这是为什么呢? 前面我们就讨论过了，这里我们重新来回顾一下。
我们以30天的OHLCV数据作为输入来预测隔日的收盘价，我们用一个两层的LSTM模型，我们也加上Attention。示例代码如下：
model = Sequential()
model.add(LSTM(64, input_shape=(30, 5), return_sequences=True))
model.add(LSTM(64, return_sequences=True))
model.add(Dropout(0.2))
model.add(AttentionWithContext())
model.add(Dense(1))
那么这个模型的表现如何呢？不可否认，Attention机制的作用非常明显，更有利于模型去识别模式。但是我们前面讲过了，对于NLP任务，比如我们给出一个词语，”风和日“，用LSTM配合ATTENTION机制，很容易得出后面的字是”丽“。这种情况下准确率是很高的，再比如”皇帝“的”皇“字，后面可以是”皇帝“、”皇上“、”皇后“、”皇城“，再根据前后的上下文，很容易提高准确率。但是股价呢？”28.00“后面跟什么股价，有逻辑性吗？我们只知道可能在涨停价和跌停价之间，但是这之间有多少个可能值？我们以两位小数来说都有接近200个，首先即便我们说有pattern的存在可能性，那么预测值28.55和28.56的意义显然是不明显的。那么我们来提一种数据处理方法，这种方法我之所以说是正确的，是相对意义上的。大家可以做个实验来证明这种方法是否优于原先的方法，但是它仍然不能给你带来稳定的收益。没那么简单，就能找到，言归正传，我们需要对股票进行一些分析。
首先，我们需要了解股票的流通市值和股价之间的关系，或者有人会说了，还要考虑庄家的能力，当然，不同的资金大小自然是玩不同的股票。我们这里着重讨论的是股价如何去做归一化处理。如果只做一只股票，可以暂时不用考虑，但是如果是多只股票的股价做归一化，那么就要考虑了。比如同样是10块的股票，一个市值30亿，一个300亿，我们产生同样的涨幅所需要的资金是不一样的，我们在归一化股价的时候，需要有一个权重参数。
本文中我们暂且只讨论一只股票的情况，我们将我们的股票数据已经处理为30天X5个features。那么我们需要以这三十天来做归一化处理，我们这里的归一化，不同于一般意义上的归一化，我们类似于将数据处理为离散数据。事实股票的股价看起来虽然是离散的，但是事实上如果使用更小的时间周期，它就是连续的。连续的数据用LSTM去做预测显然是为难模型了。那么我们可以对股价进行分区，怎么来做呢，我们不要用股票的最低价和最高价来做归一化，为什么呢？对整体数据做归一化容易泄露信息给你的模型，没办法，模型确实是太擅长这个了！我们仅仅使用这只股票的流通市值，我们以1-1000作为股价基础x，从1开始将涨幅1%、2%、3%一直到10%这些节点作为分割节点，这些线段上的值我们以闭区间开头，开区间收尾。那么我们得到了10个区间，这10个区间我们归纳为10个离散数值，那么从1-1000，我们就有了固定数量的离散数值。然后我们将这只股票的股价对应到这个离散数值来，比如一只历史股价从5到28的股票，它的离散数值也是固定的。有同学就要问了，股价也不是一直就是涨的，这样做出来的离散值是有意义的吗？当然这种方法做出来的离散值是不靠谱的，尤其对于股价稍高的股票，但是并非这种思路不靠谱，而是我们需要一个调节参数，为什么?这就是我们提到流通市值的原因。如果我们单单用这种方法，后面的线段会越来越长。所以这样就会造成样本不足，预测精度太差，甚至超过涨停，也就是说你的模型给你的预测会是，可能涨停，也可能跌停，这不就废话一句了吗？回过头来说流通市值的事情，我们的股价涨起来之后，流通市值也随着涨起来了，那么我们在训练的时候需要去用search算法来确定一个系数，也就是说，当股价越高的时候，我们会对应的去乘以一个更低的系数，这样可以相对比较好的来抑制线段的长度。那么大家其实明白了，用这种方法其实是预测股票的涨跌幅，甚至有点像是涨跌幅分类，也就是说，每天的预测只有20种值，而之前的模型每天预测的可能性有200种左右。有同学要问了，那么1.9%和2.1%相差不大，却被预测成了不同值，但是这有什么关系呢？由于时间关系，后面的文章再继续来讨论实际如何去处理数据为这种模式，以及如何更好的生成离散数据，事实上，我们可以专门对A股所有的股价进行分析，如果你去做一下这个分析，你很快就有了思路。
微信公众号：QTechAI