本文共 941 字，大约阅读时间需要 3 分钟。
作者：chen_h
微信号 & QQ：862251340 微信公众号：coderpai论文链接：
1. 论文摘要
在这篇文章中，作者提出了一个神经网络架构用来对股票价格进行预测，使用的数据源是股票的一些技术分析指标。首先，作者开发了一个将金融股票序列数据转化成一系列买卖的信号，也就是制作模型训练集和测试集。然后，在所有道指股票上面进行学习（时间从 1997 年到 2007 年）。作者使用了 Apache Spark 大数据框架用于训练过程，最后利用从 2007 年到 2017 年的数据进行模型测试。结果表明，通过选择最合适的技术指标，在大多数情况下，神经网络模型可以实现比较好的策略结果。此外，微调技术指标和（或）优化策略可以提升整体的交易表现。
2. 数据处理
股票市场上面有许多的技术指标，在这里我们主要选择的是三种技术指标：RSI，MACD 和 Williams %R（WR）。
2.1 Relative Strength Index（RSI）
相对强弱指数（RSI）是显示股价历史强弱的技术动量指标。它还比较了在特定时间段内的损失和收益，具体公式如下：
2.2 Moving Average Convergence and Diver- gence（MACD）
MACD 是一个说明股价走势的技术指标。它等于 12 日指数移动平均线（EMA）与 26 日均线指数（EMA）的差值。具体公式如下：
2.3 Williams %R（WR）
威廉指标是基于动量的技术指标，显示股价超买和超卖的变化。具体公式如下：
3. 模型分析
在这篇文章中，作者一共用了两个模型：一个是金融序列模型，用来处理原始数据，得到我们的买点和卖点；另一个是神经网络模型，用来预测买点和卖点。
3.1 金融序列模型
我们通过编写模型，来自动分析股票历史数据中的波峰和波谷，从而得到买点和卖点数据。
3.2 神经网络模型
神经网络模型一共有四层，即一个输入层（4个节点），两个隐藏层（5个节点和4个节点）和一个输出层（3个节点）。我们输入的数据分别是收盘价（close price），RSI，WR和MACD。输出数据是买点，卖点和不操作（三分类）。具体模型如下：
论文完整的算法步骤，可以如下概括：
转载地址：http://ztdqb.baihongyu.com/