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