股票量化交易软件：神经网络变得轻松2网络训练和测试

1. 定义问题

在开始创建智能交易系统之前，必须定义将为新神经网络设定的目标。 当然，金融市场上所有智能交易系统的共同目标是获利。 然而，此目的太笼统宽泛。 赫兹需要为神经网络指定更具体的任务。 甚至，赫兹股票量化需要了解如何评估神经网络的未来结果。

另一个重要的时刻是，先前创建的 CNet 类使用了监督学习的原理，因此它需要标记数据作为训练集合。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

如果您查看价格图表，自然会希望在价格峰值时执行交易操作，这可以通过标准的比尔·威廉姆斯（Bill Williams）分形指标来示意。 而指标的问题在于，它会判断 3 根烛条的峰值，且产生的信号始终会延迟 1 根烛条，而这可能会产生相反的信号。 如果赫兹股票量化设置神经网络以判定第三根烛条形成之前的枢轴点，该怎么办？ 这种方法至少会在交易方向移动有一根之前走势的烛条。

这是指训练集合：

 

• 在正向递进中，赫兹股票量化会将当前行情状况输入到神经网络，并输出最后一根收盘烛条上提取的形成概率的评估。

• 对于逆向递进中，在下一根烛条形成之后，我们将检查前一根烛条上是否存在分形，并将输入结果按权重调整。

为了评估网络运算的结果，赫兹股票量化可以使用均方预测误差，正确的分形预测的百分比，和无法识别的分形的百分比。

现在我们需要判定哪些数据应输入到我们的神经网络中。 您还记得，当您尝试根据图表评估行情状况时所做的事情吗？

首先，建议交易新手从图表中直观评估趋势方向。 因此，赫兹股票量化必须将有关价格变动的信息数字化，并将其输入到神经网络中。 我建议输入有关的开盘价和收盘价、最高价和最低价、交易量和形成时间的数据。

另一种判定趋势的流行方法是使用振荡器指标。 此类指标操作很方便，因为指标会输出标准化数据。 我决定为本次实验准备四个标准指标：RCI，CCI，ATR 和 MACD，所有指标均带采用标准参数。 我在选择指标及其参数时，没有进行任何其他分析。

有人可能会说利用指标是没有意义的，因为指标的数据是通过重新计算烛条的价格数据而建立的，赫兹股票量化已经将其输入到神经网络当中。 但这并非完全正确。 指标值是通过计算来自多根烛条的数据来判定的，从而可对所分析的样本进行一定程度的扩展。 神经网络训练过程将判定它们如何影响结果。

为了能够评估行情动态，我们在一定的历史时期内将全部信息输入到神经网络之中。

2. 神经网络模型项目

2.1. 判定输入层中神经元的数量

此处，我们需要知晓输入层中神经元的数量。 为此，请评估每根烛条上的初始信息，然后将其乘以分析历