01
介绍
神经网络最初是作为研究人类大脑图谱并了解人类如何做出决策的一种方式，而算法则试图从交易方面消除人类情绪的影响。我们有时没有意识到，人脑很可能是世界上最复杂的机器，并且众所周知，它能够在创纪录的时间内非常有效地得出结论。
想想看，如果我们能够利用大脑的工作方式并将其应用到机器学习领域，我们可能会在处理能力和计算资源方面取得巨大飞跃。
在我们深入了解神经网络交易的本质之前，我们应该了解主要组件如何工作。因此，本文试图从以下几个方面解释神经网络及其在交易策略中的应用：神经元的结构、感知器：计算机神经元、理解神经网络、交易中的神经网络、训练神经网络、梯度下降、反向传播、神经网络交易策略。通过学习本文，读者可以了解神经网络所涉及的概念以及如何应用它们来预测实时市场中的股票价格。
02
神经网络简介
01神经元结构
我们先来了解一下什么是神经元。神经元由树突、轴突和神经元体三部分组成。树突是信号的接收器，轴突是信号的发送器。神经元本身并没有多大用处，但当它与其他神经元连接时，它会执行一些复杂的计算，并帮助操作我们星球上最复杂的机器——人体。
02感知器：计算机神经元
感知器以类似的方式构建，如下图所示。神经元有输入，用黄色圆圈标记，即图中的输入值X1、X2、X3。神经元经过一系列计算后发出输出信号。输入层类似于神经元的树突，输出信号是轴突。每个输入信号都分配有一个权重。
该权重乘以输入值，神经元存储所有输入变量的加权和。这些权重是在神经网络学习的训练阶段通过称为梯度下降和反向传播的概念计算的，我们将在稍后介绍。然后将激活函数应用于加权和，从而产生神经元的输出信号。输入信号是由其他神经元产生的，即其他神经元的输出，网络就是通过这种方式进行预测和计算的。
这就是神经网络的基本思想。下面将介绍神经网络中涉及的重要概念。
03了解神经网络
我们将通过一个例子来了解神经网络是如何工作的。输入层由帮助我们导出输出值或进行预测的参数组成。我们的大脑基本上有五个基本输入参数，即触觉、听觉、视觉、嗅觉和味觉。
我们大脑中的神经元根据这些基本输入参数创建更复杂的参数，例如情绪和感觉。而导致我们采取行动或做出决定的情绪和感受基本上是我们大脑神经网络的输出。所以，在这种情况下，在做出决定之前需要进行两层计算。
第一层将五种感官作为输入并产生情绪和感受，这些情绪和感受是下一层计算的输入，输出是决策或行动。
因此，在这个极其简单的人脑工作模型中，我们有一个输入层、两个隐藏层和一个输出层。当然，我们都从经验中知道大脑比这复杂得多，但本质上这就是我们大脑中进行计算的方式。
03
交易中的神经网络
为了理解神经网络在交易中的工作原理，让我们考虑一个简单的股票价格预测示例，其中OHLCV值是输入参数，有一个隐藏层，输出由以下预测组成：股票价格预测。如下图所示，交易中的神经网络输入层有五个输入参数。隐藏层由3个神经元组成，输出层的结果是股票价格的预测。
隐藏层中的3个神经元对于5个输入参数中的每一个都有不同的权重，并且可能具有不同的激活函数，该函数将根据输入的各种组合来激活输入参数。例如，第一个神经元可能会关注交易量以及收盘价和开盘价之间的差异，并且可能会忽略高点和低点。在这种情况下，最高价格和最低价格的权重将为零。根据模型训练获得的权重，激活函数将应用于神经元的加权和，从而产生特定神经元的输出值。
类似地，其他两个神经元将根据各自的激活函数和权重产生输出值。最后，股票价格的输出值或预测值将是每个神经元的三个输出值之和。这就是神经网络预测股票价格的方式。
现在您已经了解了神经网络的工作原理，我们将进入
n:Introduction,StructureAndTradingStrategies，ByDevangSingh
可是，必须确立一点量化投资不相当于高频交易。买卖假如依据频率来区划的话，可分成：高频率：ticke纳秒等级的1s等级中低频：1s~2h等级超低频：1d~2w等长线投资高频交易对延迟时间，特性和可靠性规定十分高，必须很多的硬件配置的成本费和人力成本。
可是中低频买卖对硬件配置规定便会低许多。本人与基金管理公司差别关键反映在优化算法上，普通程序也是有工作能力捕捉到这一频率的买卖数据信号。老头子废话不多说，就一个字，立即干！假如要想剖析A股，或是BTC，就必须自身构建一套自然环境。
一般构建一个量化平台必须这种流程：设立账户〉开发工具构建〉数据信息提前准备〉量化交易策略开发设计〉回归测试〉模拟交易〉实盘买卖一、设立账户
一、开发工具构建现阶段流行的两种服务平台是，python和R语言。这两个语言表达有给予回测架构，时间序列分析剖析，数据分析的库，。
Python：现阶段应该是最广泛的本人量化分析技术性优选语言表达，由于有关的开源框架非常丰富多彩。R：高级优化算法较为便捷，小区较为活跃性。我选择的是Python，常见的回测架构用的是ZipLine和BackTrader。
二、数据信息提前准备中国的股票数据，有一些服务提供商给予，例如通联数据、tushare；海外证券数据信息能够从得这种数据信息后就可以导到数据库查询去。有关数据库查询的挑选，一般应用Mysql，假如信息量较为大能够应用mogodb，一般本人不容易这么大信息量。
三、量化交易策略开发设计说到买卖优化算法，通常会想到深度学习、马尔可夫实体模型、数据分析、深度神经网络、神经元网络等这种厉害的AI语汇，可是，一般游戏玩家基本上用不上。
针对一般投资者能够采用简易高效率的优化算法：
1、将自身实际操作和念头程序化交易，例如：三连阳，买低价股票或是你听闻过什么神奇的实际操作技巧全是用编码完成，随后应用历史记录开展回测。
2.传统式的指标值买卖：移动平均线，MACD，布林线指标等，蜡烛图基础理论，RSI，江恩理论。这种纯技术指标分析指标值必须在特殊的情景才可以有功效，大家都听闻过海龟交易法，很有可能都觉得挺有些道理的。但具体情况怎样，用A股或是外汇数据测试一下，便会发觉长期性回报率并不是特别好。
3.多因子选股票：每一个投资者都是有自身的选股票基础理论，例如有些人会看市净率，股票换手率，市净率，领域状况，交易量。这种挑选要素非常简单，但要是以好几千个股里去挑选，通常必须很多活力。程序流程就能特别好处理这种难题。如果你是高级玩家还可以试着一下高级优化算法。
例如深度学习，数据分析等。互联网大数据在金融投资行业运用或是处在逐渐环节。从现阶段信息内容看来，互联网大数据基金收益率的算是非常好，例如百度搜索和广发证券协作的百发指数型基金，腾讯官方和嘉实协作的互联网大数据股票基金。
四、回归测试假如回测实际效果非常好，回报率，最大回撤率，Sharp值，等指标值，都是在可接纳的范畴内容，你毫无疑问便会激动，急着要上真正买卖，乃至逐渐方案创立私募投资基金，可是，别着急，最好是模拟交易一下。
五、模拟交易但在实盘买卖前，还必须做一两个月模拟交易。许多回测实际效果非常好的对策不一定在模拟交易情况下就主要表现得好。历史记录是固定不动，回测的情况下能够根据持续调节主要参数，让各类指标值趋向极致，有时会造成优化算法过度拟合，由于销售市场一直千姿百态，太过于呆板的优化算法是没法融入销售市场转变。
模拟交易最后实际效果一般在于你的程序流程是不是灵便，是不是优良的风险性和资金分配优化算法。
总结：对于说本人做量化投资是不是可靠，上边的步骤早已表明了实际可策划方案，可靠性显而易见。对于能否赚到钱，就看本人的修为了更好地。
①技术分析型主要是结合各种技术指标来对动量效应或反转效应做研判交易；
时变夏普率的择时策略、情绪择时-GSIS、RSRS指标择时及大小盘轮动
②价值分析则偏重股票标的的基本面分析；
查尔斯·布兰德斯价值投资法、迈克尔普莱斯低估价值选股策略、阿梅特·欧卡莫斯集中投资法则
③机器学习与人工智能可以算作是区别于前两类一种新兴的方式，主要利用一些统计机器学习算法和神经网络做出预测而量化；
基于KMeans的指数择时策略、利用随机森林进行因子选择、基于HMM的指数择时策略
供参考！
