第68章 第一个策略（第1页）

书房的空调嗡嗡作响，努力对抗着鹏城3月的闷热。

林晨盯着屏幕上密密麻麻的代码，眼神专注。过去一周，他像蚂蚁搬家一样，从 tushare 和 akshare 上抓取了沪深 300 成分股过去五年的日线数据——开盘价、收盘价、最高价、最低价、成交量。然后用 pandas 清洗、处理，计算出一系列技术指标：移动平均线（MA）、相对强弱指数（RSI）、布林带（Bollinger Bands）、MACD……这些指标被拼接成一个个“特征向量”，按时间顺序排列，形成了他模型的“饲料”。

数据准备好了。接下来，是给这些数据找一个能消化它们、并预测未来的“大脑”。

他选择了 LSTM（长短期记忆网络）。这是一种特殊的循环神经网络（RNN），擅长处理像股价序列这样具有时间依赖性的数据。普通的 RNN 在传递长期信息时容易“遗忘”，而 LSTM 通过精巧的“门”结构（输入门、遗忘门、输出门）控制信息流，能更好地记住序列中的长期模式。这听起来很像是为捕捉股市那些若隐若现的“趋势”和“周期”量身定做的。

“理论上是这样”，林晨揉了揉发酸的眼睛，自言自语。实践是另一回事。

他打开 PyTorch，开始搭建模型结构。输入层对应特征维度，接着是两层 LSTM 层，用于捕捉不同时间尺度的依赖关系，然后是 Dropout 层——随机“丢弃”一部分神经元连接，防止过拟合的常用手段，最后是全连接层输出预测值：下一个交易日的收盘价。

定义损失函数（Mean Squared Error，均方误差），选择优化器（Adam），设置学习率、训练轮数（epoch）……

敲下最后一行代码，林晨深吸一口气，点击运行。

风扇的转速明显加快，笔记本电脑的散热口发出轻微的嘶鸣。屏幕上，代表损失值的曲线开始跳动，随着迭代轮数的增加，那条曲线缓缓向下探去。训练集上的损失在下降，这意味着模型正在从历史数据中学习规律。

同时，他也预留了一部分从未见过的数据作为验证集，用来监控模型在“新数据”上的表现，防止它只死记硬背训练数据。

训练持续了将近四十分钟。当进度条走到终点，林晨立刻启动了回测程序。

回测，就是用训练好的模型，在另一段历史数据（测试集）上模拟交易，检验策略盈利能力。
（本章节未完结，点击下一页翻页继续阅读）