python cnn 股市_CNN预测股票走势基于Tensorflow（思路+程序）

源代码，请在文末查询

前言

我们希望找出跟随价格上涨的模式。通过每日收盘价，MA，KD，RSI，yearAvgPrice 本次推文研究只是展示深入学习的一个例子。 结果估计不是很好。希望抛砖引玉，给大家带来更多的思考。策略使用的数据从雅虎财务获取。什么时候要买或者卖股票走势预测

CNN

交通标志的图像由4 5×5卷积内核过滤，创建4个特征图，这些特征图通过最大池合并采样。 下一层对这些子采样图像应用10 5×5卷积核，并再次汇集特征图。 最终层是完全连接的层，其中所有生成的特征被组合并在分类器中使用(基本上是逻辑回归)

股票市场应用

根据历史数据做出正确的决策

TensorFlow

DQN_CNN_image

这是这个策略的核心思路。我们将数据(年线，月线，收盘价)作为图像，并使用CNN来识别其模式。将图像转换为数组：交易策略：达到+10%或者-5%时卖出。

下面来介绍一下DQN

(参考：知乎 - 智能单元 - Flood Sung)

编写基本DQN类的结构

class DQN():

#初始化

def __init__(self, env):

#创建Q网络

def create_Q_network(self):

#创建训练方法

def create_training_method(self):

#感知存储信息

def perceive(self,state,action,reward,next_state,done):

#训练网络

def train_Q_network(self):

#输出带随机的动作

def egreedy_action(self,state):

#输出动作

def action(self,state):

我们知道，我们的DQN一个很重要的功能就是要能存储数据，然后在训练的时候minibatch出来。所以，我们需要构造一个存储机制。这里使用deque来实现。

self.replay_buffer = deque()

初始化

def __init__(self, env):

# init experience replay

self.replay_buffer = deque()

# init some parameters

self.time_step = 0

self.epsilon = INITIAL_EPSILON

self.state_dim = env.observation_space.shape[0]

self.action_dim = env.action_space.n

self.create_Q_network()

self.create_training_method() # Init session

self.session = tf.InteractiveSession()

self.session.run(tf.initialize_all_variables())

这里要注意一点就是egreedy的epsilon是不断变小的，也就是随机性不断变小。怎么理解呢？就是一开始需要更多的探索，所以动作偏随机，慢慢的我们需要动作能够有效，因此减少随机。

创建Q网络

我们这里创建最基本的MLP，中间层设置为20：

def create_Q_network(self):

# network weights

W1 = self.weight_variable([self.state_dim,20])

b1 = self.bias_variable([20])

W2 = self.weight_variable([20,self.action_dim])

b2 = self.bias_variable([self.action_dim])

# input layer

self.state_input = tf.placeholder("float",[None,self.state_dim])

# hidden layers

h_layer = tf.nn.relu(tf.matmul(self.state_input,W1) + b1)

# Q Value layer

self.Q_value = tf.matmul(h_layer,W2) + b2

def weight_variable(self,shape):

initial = tf.truncated_normal(shape)

return tf.Variable(initial)

def bias_variable(self,shape):

initial = tf.constant(0.01, shape = shape)