经验证噪音过多，短期无法迅速除噪，该项目暂时挂起，启动capital系列其他项目
基于神经网络的趋势交易入场点预测模型
可将价格行为学中的全部价格行为入场点都做成模型，先从最简单的趋势入场点开始做起
不同周期下趋势的表征也不同，比如大周期下的交易区间在小周期中就可能是一波又一波的趋势，这里的趋势主要指的是目标盈亏比大于2的情况
比如长趋势盈亏比大于5，中趋势盈亏比大于3，短趋势盈亏比大于2，短趋势可能在本周期中是一个小小的波段，但是在小周期中可能是一波趋势
数据预处理
- 使用算法自动标注趋势入场点（主要使用盈亏比方式计算）
- 以当前K线作为信号K线，以信号K线的最高最低点作为入场点或止损点（暂定）
- 其他止损点（比如前期摆动点，交易区间顶底等，后续模型再生成）
- 其他入场点（比如突破点，二次入场点等，后续模型再生成）
- 其他盈亏比（比如等距运动，前期阻力位，不同趋势程度的盈亏比等，后续模型再生成，本次只生成盈亏比大于2的入场点）
- 剔除反转交易入场点（反转交易失败风险极大，但是数据剔除的处理较为复杂，目前先不剔除）
- 剔除不良信号K线（比如十字星，小K线，虽然不是100%的不良K线，而且剔除小K线可能错过大趋势很多入场点，但是数据处理操作较为复杂，目前暂且全部剔除）
- 多头入场点只为阳线最高点；空头入场点只为阴线最低点（一定程度剔除了部分弱信号K线和反转信号K线，但是会错过强趋势下的最佳回调入场点。但是降低了数据处理的复杂度，暂且如此，后续再进行调整）
- 十字星：K线实体长度低于总长度10%的；小K线：K线总长度低于5日均K线长度1/3的K线
- 后续将价格行为学中的全部价格行为逐一追加进来
- 删除最近一个入场点之后的股票数据（防止出现预测行情反而依赖后续行情的现象）
- 滑动窗口：使用前置一千根K线的数据标记最后一根K线，依次向后滑动来生产数据（即每个样本只标记最后一根K线；一千的取值是否合理，通过实验验证一下，或许不同K线周期下，所需的前置K线数量也不同）
- 数据归一化，转换为百分比坐标轴（包括成交量百分比）
- 使用相对于第一根K线的百分比坐标，还是相对于前一根K线的百分比（整体结构原则，还是就近结构原则，通过实验验证一下，倾向就近，先做就近）
- 买卖入场点样本数各不低于10w条（自然样本，越多越好）
- 可使用多周期K线图扩大样本库
- 不可使用缩放进行数据增强，会影响log坐标轴的K线结构，即只允许使用自然样本
- 不可使用数据裁剪进行数据增强，会影响K线结构完整性 ，即K线结构不完整时，不予以预测
- 挑选流动性好的标的，其K线结构更具有效性（通过日成交量过滤掉不达标的标的）
- 目标标的涵盖多品种
网络模型：残差网络
分类：买/卖/无（保留趋势程度的得分，即目标盈亏比及多盈利目标位，后续模型再给出）
目标胜率：在盈亏比大于2的情况下验证集准确率达到65%（依据不同盈亏比而定）
预测之后是否可行仍需进行人工判断
capital项目
有意者请联系我
