原創(chuàng)文章第356篇，專注“個人成長與財富自由、世界運作的邏輯與投資"。

今天繼續(xù)，昨天的文章完成了Autogluon機器訓練金融數(shù)據(jù)的通用流程：

ModelTrainer：基于AutoGluon的多因子合成AI量化通用流程

今天加上tensorflow(keras)的深度神經(jīng)網(wǎng)絡模型。

若是預測5天后的漲跌：訓練集能到74.6%，測試集54.3%，比1天的好。

若是10天的收益率，訓練集75.5%，測試集是57.6%。

預測20天的收益率，訓練集是84.6%，測試集是59.7%。

我修改了因子周期，基本也是這個規(guī)律。就是：“明天的漲跌很難預測，但一個月后的，準確率還是比較高”的。更遠的，可能就很容易出現(xiàn)過擬合。（訓練集擬合得特別好，但測試集還不如擲硬幣）

再做一組實驗，僅使用最原始的OHLCV數(shù)據(jù)：

預測20天后的收益率，訓練集70.8%，測試集62.4%。

量化的好處之一就是做實驗，所以，我“人肉”做了不少實驗。

把因子簡化到只有一個“收盤價”，相當于用歷史收盤價序列，測試未來20天漲跌，測試集準確率還是63%。

我一狠心，使用隨機序列測試，你猜怎么著，準備率仍然高達49%。。。

然后在收盤價的基礎上，添加volume，準確率基本沒變化，若是添加其他 價量因子，比如roc_20，則準確率會下降。。。

使用tensorflow(keras)實現(xiàn)DNN，來看看效果：

TfModel(ModelBase):
    (dimhl=hu=optimizer=Adam(=)):
        model = Sequential()
        model.add(Dense(hu=dim=))
        _ (hl):
            model.add(Dense(hu=))
        model.add(Dense(=))
        model.compile(==optimizer=[])
        model

    (df_traindf_testlabel=):
        cols = (df_train.columns).copy()
        cols.remove(label)

        df_train.dropna(=)

        train_data = df_train[cols]

        mustd = train_data.mean()train_data.std()
        train_ = (train_data - mu) / std
        (train_)

        model = .create_model(=(cols)==)
        model.fit(train_df_train[label]===cw(df_trainlabel))


        ()
        test_data = df_test[cols]
        mustd = test_data.mean()test_data.std()
        test_ =  (test_data - mu) / std
        (model.evaluate(test_df_test[label]))

測試集準確率是57.3%。

添加正則和Dropout防止過擬合：

(dimhl=hu=dropout=rate=regularize=reg=l1()optimizer=Adam(=)):
    regularize:
        reg = model = Sequential()
    model.add(Dense(hu=dim=reg=))
    dropout:
        model.add(Dropout(rate=))
    _ (hl):
        model.add(Dense(hu==reg))
        dropout:
            model.add(Dropout(rate=))
    model.add(Dense(=))
    model.compile(==optimizer=[])
    model