01
介紹
神經網絡最初是作為研究人類大腦圖譜并了解人類如何做出決策的一種方式,，而算法則試圖從交易方面消除人類情緒的影響。我們有時沒有意識到,，人腦很可能是世界上最復雜的機器,，并且眾所周知，它能夠在創(chuàng)紀錄的時間內非常有效地得出結論,。
想想看,，如果我們能夠利用大腦的工作方式并將其應用到機器學習領域，我們可能會在處理能力和計算資源方面取得巨大飛躍,。
在我們深入了解神經網絡交易的本質之前,，我們應該了解主要組件如何工作。因此,，本文試圖從以下幾個方面解釋神經網絡及其在交易策略中的應用：神經元的結構,、感知器：計算機神經元、理解神經網絡,、交易中的神經網絡,、訓練神經網絡、梯度下降,、反向傳播,、神經網絡交易策略。通過學習本文,，讀者可以了解神經網絡所涉及的概念以及如何應用它們來預測實時市場中的股票價格,。
02
神經網絡簡介
01神經元結構
我們先來了解一下什么是神經元。神經元由樹突,、軸突和神經元體三部分組成,。樹突是信號的接收器，軸突是信號的發(fā)送器,。神經元本身并沒有多大用處,，但當它與其他神經元連接時,，它會執(zhí)行一些復雜的計算，并幫助操作我們星球上最復雜的機器——人體,。
02感知器：計算機神經元
感知器以類似的方式構建,，如下圖所示。神經元有輸入,，用黃色圓圈標記,，即圖中的輸入值X1、X2,、X3,。神經元經過一系列計算后發(fā)出輸出信號。輸入層類似于神經元的樹突,，輸出信號是軸突,。每個輸入信號都分配有一個權重。
該權重乘以輸入值,，神經元存儲所有輸入變量的加權和,。這些權重是在神經網絡學習的訓練階段通過稱為梯度下降和反向傳播的概念計算的，我們將在稍后介紹,。然后將激活函數應用于加權和,，從而產生神經元的輸出信號。輸入信號是由其他神經元產生的,，即其他神經元的輸出,，網絡就是通過這種方式進行預測和計算的。
這就是神經網絡的基本思想,。下面將介紹神經網絡中涉及的重要概念,。
03了解神經網絡
我們將通過一個例子來了解神經網絡是如何工作的。輸入層由幫助我們導出輸出值或進行預測的參數組成,。我們的大腦基本上有五個基本輸入參數，即觸覺,、聽覺,、視覺、嗅覺和味覺,。
我們大腦中的神經元根據這些基本輸入參數創(chuàng)建更復雜的參數,，例如情緒和感覺。而導致我們采取行動或做出決定的情緒和感受基本上是我們大腦神經網絡的輸出,。所以,，在這種情況下，在做出決定之前需要進行兩層計算,。
第一層將五種感官作為輸入并產生情緒和感受,，這些情緒和感受是下一層計算的輸入,，輸出是決策或行動。
因此,，在這個極其簡單的人腦工作模型中,，我們有一個輸入層、兩個隱藏層和一個輸出層,。當然,，我們都從經驗中知道大腦比這復雜得多，但本質上這就是我們大腦中進行計算的方式,。
03
交易中的神經網絡
為了理解神經網絡在交易中的工作原理,，讓我們考慮一個簡單的股票價格預測示例，其中OHLCV值是輸入參數,，有一個隱藏層,，輸出由以下預測組成：股票價格預測。如下圖所示,，交易中的神經網絡輸入層有五個輸入參數,。隱藏層由3個神經元組成，輸出層的結果是股票價格的預測,。
隱藏層中的3個神經元對于5個輸入參數中的每一個都有不同的權重,，并且可能具有不同的激活函數，該函數將根據輸入的各種組合來激活輸入參數,。例如,，第一個神經元可能會關注交易量以及收盤價和開盤價之間的差異，并且可能會忽略高點和低點,。在這種情況下,，最高價格和最低價格的權重將為零。根據模型訓練獲得的權重,，激活函數將應用于神經元的加權和,，從而產生特定神經元的輸出值。
類似地,，其他兩個神經元將根據各自的激活函數和權重產生輸出值,。最后，股票價格的輸出值或預測值將是每個神經元的三個輸出值之和,。這就是神經網絡預測股票價格的方式,。
現(xiàn)在您已經了解了神經網絡的工作原理，我們將進入
n:Introduction,StructureAndTradingStrategies,，ByDevangSingh
可是,，必須確立一點量化投資不相當于高頻交易。買賣假如依據頻率來區(qū)劃的話,，可分成：高頻率：ticke納秒等級的1s等級中低頻：1s~2h等級超低頻：1d~2w等長線投資高頻交易對延遲時間,，特性和可靠性規(guī)定十分高，必須很多的硬件配置的成本費和人力成本,。
可是中低頻買賣對硬件配置規(guī)定便會低許多,。本人與基金管理公司差別關鍵反映在優(yōu)化算法上，普通程序也是有工作能力捕捉到這一頻率的買賣數據信號,。老頭子廢話不多說,，就一個字，立即干,！假如要想剖析A股,，或是BTC，就必須自身構建一套自然環(huán)境,。
一般構建一個量化平臺必須這種流程：設立賬戶〉開發(fā)工具構建〉數據信息提前準備〉量化交易策略開發(fā)設計〉回歸測試〉模擬交易〉實盤買賣一,、設立賬戶
一、開發(fā)工具構建現(xiàn)階段流行的兩種服務平臺是,，python和R語言,。這兩個語言表達有給予回測架構，時間序列分析剖析,，數據分析的庫,，。
Python：現(xiàn)階段應該是最廣泛的本人量化分析技術性優(yōu)選語言表達,，由于有關的開源框架非常豐富多彩,。R：高級優(yōu)化算法較為便捷，小區(qū)較為活躍性,。我選擇的是Python，常見的回測架構用的是ZipLine和BackTrader,。
二,、數據信息提前準備中國的股票數據，有一些服務提供商給予,，例如通聯(lián)數據,、tushare,；海外證券數據信息能夠從得這種數據信息后就可以導到數據庫查詢去。有關數據庫查詢的挑選,，一般應用Mysql,，假如信息量較為大能夠應用mogodb，一般本人不容易這么大信息量,。
三,、量化交易策略開發(fā)設計說到買賣優(yōu)化算法，通常會想到深度學習,、馬爾可夫實體模型,、數據分析、深度神經網絡,、神經元網絡等這種厲害的AI語匯,，可是，一般游戲玩家基本上用不上,。
針對一般投資者能夠采用簡易高效率的優(yōu)化算法：
1,、將自身實際操作和念頭程序化交易，例如：三連陽,，買低價股票或是你聽聞過什么神奇的實際操作技巧全是用編碼完成,，隨后應用歷史記錄開展回測。
2.傳統(tǒng)式的指標值買賣：移動平均線,，MACD,，布林線指標等，蠟燭圖基礎理論,，RSI,，江恩理論。這種純技術指標分析指標值必須在特殊的情景才可以有功效,，大家都聽聞過海龜交易法,，很有可能都覺得挺有些道理的。但具體情況怎樣,，用A股或是外匯數據測試一下,，便會發(fā)覺長期性回報率并不是特別好。
3.多因子選股票：每一個投資者都是有自身的選股票基礎理論,，例如有些人會看市凈率,，股票換手率，市凈率,，領域狀況,，交易量。這種挑選要素非常簡單,，但要是以好幾千個股里去挑選,，通常必須很多活力,。程序流程就能特別好處理這種難題。如果你是高級玩家還可以試著一下高級優(yōu)化算法,。
例如深度學習,，數據分析等?；ヂ?lián)網大數據在金融投資行業(yè)運用或是處在逐漸環(huán)節(jié),。從現(xiàn)階段信息內容看來，互聯(lián)網大數據基金收益率的算是非常好,，例如百度搜索和廣發(fā)證券協(xié)作的百發(fā)指數型基金,，騰訊官方和嘉實協(xié)作的互聯(lián)網大數據股票基金。
四,、回歸測試假如回測實際效果非常好,，回報率，最大回撤率,，Sharp值,，等指標值，都是在可接納的范疇內容,，你毫無疑問便會激動,，急著要上真正買賣，乃至逐漸方案創(chuàng)立私募投資基金,，可是,，別著急，最好是模擬交易一下,。
五,、模擬交易但在實盤買賣前，還必須做一兩個月模擬交易,。許多回測實際效果非常好的對策不一定在模擬交易情況下就主要表現(xiàn)得好,。歷史記錄是固定不動，回測的情況下能夠根據持續(xù)調節(jié)主要參數,，讓各類指標值趨向極致,，有時會造成優(yōu)化算法過度擬合，由于銷售市場一直千姿百態(tài),，太過于呆板的優(yōu)化算法是沒法融入銷售市場轉變,。
模擬交易最后實際效果一般在于你的程序流程是不是靈便，是不是優(yōu)良的風險性和資金分配優(yōu)化算法,。
總結：對于說本人做量化投資是不是可靠,，上邊的步驟早已表明了實際可策劃方案，可靠性顯而易見。對于能否賺到錢,，就看本人的修為了更好地。
①技術分析型主要是結合各種技術指標來對動量效應或反轉效應做研判交易,；
時變夏普率的擇時策略、情緒擇時-GSIS,、RSRS指標擇時及大小盤輪動
②價值分析則偏重股票標的的基本面分析,；
查爾斯·布蘭德斯價值投資法、邁克爾普萊斯低估價值選股策略,、阿梅特·歐卡莫斯集中投資法則
③機器學習與人工智能可以算作是區(qū)別于前兩類一種新興的方式,，主要利用一些統(tǒng)計機器學習算法和神經網絡做出預測而量化；
基于KMeans的指數擇時策略,、利用隨機森林進行因子選擇,、基于HMM的指數擇時策略
供參考！
