株式取引における人工知能の応用

1 か月以上の努力の末、私たちはついに、単純な完全接続ニューラル ネットワークを使用して翌日の株価の上昇と下落を判断する単純な人工知能を完成させました。 Tensorflow のアーキテクチャと、アルゴリズムを実装するビジネス ロジックについて簡単に説明します。

[[338026]]

1. データ処理

特定の株式の 400 日間の取引履歴を取得します。各指標を400取引日以内に計算し、計算結果をデータベースに記録します。 KDJ、MACDなど、6つの一般的な指標が得られました。

次のように、400 個のインジケーター レコードをトレーニング セットとテスト セットに分割します。

ランダム分割の比率は約9:1です

2. ネットワークのトレーニング

これらのデータをニューラル ネットワークに入力してトレーニングを行うと、トレーニングの精度は 90% に達します。

次に、テスト セットを使用して検証を行います。

各株には個別の特性があるため、各株には個別の適合モデルが存在します。

ネットワーク構造コードは次のとおりです。

1. 入力層関数を定義します。

2. ニューラルネットワーク構造を定義する

3. ネットワークをコンパイルする

4. ネットワークをトレーニングする

このトレーニング指標は平均的であり、ある程度のオーバーフィッティングを引き起こしているため、使用中に各銘柄のトレーニングモデルを調整する必要があります。

5. テストセットを使用して結果を確認する

ここで、テスト セットの精度は 95.34% であり、比較的高い値です。

3. 結果処理

株式投資なので、結果の処理には分類処理方式を採用しており、ニューラルネットワークの処理結果は、-10%～-3%、-3%～3%、3%～10%の3つのカテゴリに分類されます。

簡単に言えば、大きな下落、横ばいの変動、そして大きな上昇があります。 3つの状況は3つの人工知能の判断結果に対応しており、翌日の株式の売買を誘導します。図に示すように:

最初のアイデアは、実際の取引の過程で、必然的に最も衝撃的な結果が出るということですが、10〜20銘柄など、複数の銘柄を計算する場合、特定の銘柄が大きな上昇の兆候を示したら、2日目に間に合うように購入し、3日目にすぐに売却します。

4. 事業展開

トレーニングされたモデルは各株に対応する必要があり、株の数が多い可能性があるため、モデルの展開要件は比較的高くなります。そうでない場合は、多くの潜在的な作業が発生します。 1 つ目は初期タスクです。株式が株式プールに追加されると、400 日以内のすべての履歴データが計算、保存、処理のために取得され、ニューラル ネットワークのトレーニング セットとテスト セットとしても使用されます。アフターマーケットのスケジュールされたタスクは、その日の株価データをロードして計算するために使用されます。

時間的制約により、ニューラル ネットワークのトレーニング プロセスはビジネス システムと統合されておらず、手動のトレーニングが必要でした。ただし、ワークフロー展開を使用すると効率が向上します。モデルを Git にプッシュすると、オンライン モデル ライブラリが自動的に更新されます。

5. 後処理

株式の一日の制限を判断する方法を書き終えたところです。定量取引のプロセスにおける不確実性原理により、この指標方式はまだテストに時間が必要であり、毎週新たに生成されるデータは今後機械学習の範囲に組み込まれる予定です。自動学習を実現し、自動的に精度を向上します。