记录一次使用LSTM神经网络进行量化交易预测

        除了工作之外的业余时间，就喜欢倒腾，最近在查阅研习 lstm 的原理并用于个人爱好实战中，确实给了我意想不到的效果，不同于普通股票金融类的走势预测。我个人是偏好于日内的高频量化交易，喜欢做剥皮交易。以下是从特征工程 建模到实际预测的一些过程，希望能帮助喜欢使用个人技能做交易的同志。

        

        LSTM（Long Short-Term Memory）是一种特殊类型的RNN（循环神经网络），它可以学习并记忆长时间序列中的模式。这使得LSTM非常适用于处理和预测时间序列数据，例如股票价格、气候变化等，这是我在调研中看到的并记住的一句话，我不需要预测股票价格，我只想通过我实盘交易的经验来建立特征，并作为训练数据，特种数据如下

time	date	open	high	low	close	vol	closeTime	cje	bs	but	sell	ignore	MACD	Signal	MACD_Hist	ATR	RSI	signal
1685286000000	2023/5/29 15:00	27178.2	27192.6	27160.5	27181.1	617.012	1.68529E+12	16767705.34	7122	260.335	7075342.392	0	-1.68944469	2.744520225	-4.433964915	21.52501302	43.72573251	0
1685286300000	2023/5/29 15:05	27181	27211.6	27181	27211.5	541.796	1.68529E+12	14736747.64	6284	393.492	10702600.3	0	2.421776713	2.679971522	-0.258194809	22.17322637	53.56081878	0
1685286600000	2023/5/29 15:10	27211.6	27220	27201.7	27214.8	713.495	1.68529E+12	19416938.44	7631	388.018	10559593.13	0	5.017486769	3.147474572	1.870012197	21.89656734	54.49062875	0

 在最后一列signal 的处理为macd 的金钗和死叉常识理论计算的进场和出场信号 -1 做空 0 空仓 1 做多，其他列做为特征数据输入训练 ，其中包含后期的预处理atr rsi macd 数据，signal 列做为 label 达到预期效果。构思为 输入当前k线时时收盘价格和数据，使用已训练的模型给出操作信号，这样结合自动化程序对接crypto coin 实现自动化的量化交易。

众所周知，在处理数据和做自动化 python 是首选语言，不接受反驳（手动狗头），所以结合talib 扩展，让这一切变得简单快速，例如预处理数据仅仅需要这么几行代码

在使用LSTM进行量化交易预测之前，首先需要对数据进行预处理。首先读取并清洗数据，移除无关特征和缺失值。然后将“signal”列（这是我的预期结果）转换为整数类型，并将数据划分为训练集和测试集。

macd, macd_signal, macd_hist = talib.MACD(df['close'], fastperiod=5, slowperiod=10, signalperiod=9)
df['MACD'] = macd
df['Signal'] = macd_signal
df['MACD_Hist'] = macd_hist
df['ATR'] = talib.ATR(df['high'], df['low'], df['close'])
df['RSI'] = talib.RSI(df['close'])

bindex = 0
sindex = 0
result['signal'] = 0
for index,value in enumerate(data):
    if result['sell_signal'][index] == 1:
        if bindex > 0 and sindex < bindex:
            if float(data[index][4]) - float(data[bindex][4]) > 50:
                print("做空：%f" % float(data[index][4]) - float(data[bindex][4]))
                result.loc[bindex,'signal'] = 1
        if sindex < bindex and sindex != 0 or sindex == 0:
            sindex = index
    if result['buy_signal'][index] == 1:
        if sindex > 0 and sindex > bindex:
            if float(data[sindex][4]) - float(data[index][4]) > 50:
                print("做多：%s" % str(float(data[sindex][4]) - float(data[index][4])))
                result.loc[sindex,'signal'] = -1
        if bindex < sindex and bindex != 0 or bindex == 0:
            bindex = index
当然 sell_signal 与buy_signal 在计算macd 的时候就需要提前计算出来，macd 上传信号线 做多，下穿信号线做空，这是最基础的特征规则，再到后面通过信号之间的差值筛选过滤掉负收益的噪点信号，剩下数据则做为预期结果信号做为训练数据。

在处理分类标签时，我采用了独热编码(one-hot encoding)的方式，将分类标签转换为二进制向量。同时，为了让模型能够处理各种信号，我们还对数据进行了标准化处理。

data_train = pd.read_excel("btc-month-6.xlsx")
data_train = data_train.drop(['time','closeTime'],axis=1)
data_train = data_train.fillna(0)
data_train = data_train.astype(float)
encoder = LabelEncoder()
data_train['signal'] = encoder.fit_transform(data_train['signal'].astype(float))

#训练数据与测试验证数据分离
data_val = pd.read_excel("btc-month-6-val.xlsx")
testData = data_val.copy()
data_val = data_val.drop(['time','closeTime'],axis=1)
data_val = data_val.fillna(0)
data_val = data_val.astype(float)
data_val['signal'] = encoder.transform(data_val['signal'].astype(float))

建立模型

我使用了Keras库来创建我们的LSTM模型。模型包含两个LSTM层和一个全连接层，每个LSTM层包含50个神经元。我使用softmax作为激活函数，这可以将输出转换为概率分布，从而对各个类别进行预测。我使用的损失函数是分类交叉熵，优化器选择的是Adam。

model = Sequential()
model.add(LSTM(50, input_shape=input_shape, return_sequences=True))
model.add(LSTM(50))
model.add(Dense(np.unique(train).shape[0], activation='softmax'))
model.compile(loss="categorical_crossentropy", optimizer='adam', metrics=['accuracy'])

训练模型

在训练模型时，我采用了早停（early stopping）和模型检查点（model checkpoint）两种回调函数。早停可以防止模型过拟合，当验证集损失在一定轮次内没有改善时，训练就会停止。模型检查点则会在每个epoch后保存模型，使我们能够使用最优的模型。

我用80%的数据进行训练，20%的数据进行验证，5000个epoch，batch size设为16。

early_stopping = EarlyStopping(monitor='val_loss', patience=10)
model_checkpoint = ModelCheckpoint('model.h5', save_best_only=True)

model.fit(x_train, y_train, epochs=5000, batch_size=16, validation_data=(x_val, y_val),
          callbacks=[early_stopping, model_checkpoint], class_weight=class_weights_dict)

当然在时间的推移后后，训练结束，也是最激动人心的时候，使用新数据验证模型的准确率。

我在使用训练数据后的1日内的5分钟级别k线数据上面使用模型进行验证

row :  1476

[1.65, 98.19, 0.17]

row :  1477

[0.73, 98.27, 1.0]

row :  1478

[1.49, 98.25, 0.26]

row :  1479

[0.97, 98.62, 0.41]

上面代码中我使用了

encoder = LabelEncoder() data_train['signal'] = encoder.fit_transform(data_train['signal'].astype(float))

将信号编码转换结果在验证结果数据中为 0 做空 1 空仓 2 做多

最终：

 

还是有些噪点，我将结果结果阀值化后，对接到自己的量化工具中，用于实时预测信号得到了还不错的胜率。感觉小有成就。

这个小工具呢方便我的实盘操作，对接上训练模型，将websocket 最新价格用于输入验证。最终返回给我的结果如上。

 

 

不知道是谁说的，程序员的尽头是量化交易，我发现走上量化交易的道路就停不了，希望我们热爱的技术能让我们都实现财富自由。交易市场也潜在很多风险，愿大家都能避开各种雷吧。