话说股票价格到底能不能预测
先来看一下<随机游走假说-Random Walk>。
随机游走假说(英语:Random walk hypothesis)是金融学上的一个假说,认为股票市场的价格,会形成随机游走模式,因此它是无法被预测的。(摘自wiki)
生成一个随机游走时间序列数据:
import random
from matplotlib import pyplot
random_walk = [-1 if random.random() < 0.5 else 1]
for i in range(1, 1000):
random_walk.append(random_walk[i -1] + (-1 if random.random() < 0.5 else 1))
pyplot.plot(random_walk)
pyplot.show()
上面生成的这个数据序列像不像股票走势,这个数据序列是无法有效预测的。难道股票价格真的无迹可寻吗?
不要忘了股票价格是受外界环境影响的,如公司、股人、大佬、政治、甚至太阳的活动周期等等。人是情感动物,一个人不好预测,大众的行为还是可预测的。当你的模型将所有的因素全都考虑进来,那么股价的预测是不是就可行了呢?从量子力学的角度来看,未来是测不准的,只能求出概率。记住,当你预判别人的同时,别人也在预判你(镜中镜)。
上图是比特币的近期走势图,这货在去年12月份经历了一次大涨,涨的过程像不像阶梯。媒体一看比特币涨了,就会大肆报道,这就吸引了投资者眼球(贪婪),如果你查这段时间的搜索趋势,你会看到比特币的搜索量明显增多了。
当然有涨就有跌,这货不可能一直涨,最后一根稻草一旦被压断,就会出现断崖式下跌(恐慌),随之而来又是一段稳定期。
比特币涨了,我该不该入手?(如果你是投资者) 比特币跌了,我该不该出手? 当你发现你问这两个问题时,就已经晚了。在金融市场,不先人一两步怎么能成。
AI操盘手从复杂环境中学到交易规则,然后应用action(买、卖,憋着)反作用到环境,借助强化学习,这个AI操盘手会不断进化。
Deep Q-learning可以从原始数据中进行端到端的学习策略。
本帖只是一个简单的示例,只是看看能不能把Deep Q-learning应用到股票交易。
首先获得一些股票数据:
from yahoo_finance import Share
import pandas as pd
share = Share("IBM")
stock_history = share.get_historical("1989-01-01", "2017-01-01")
ibm_df = pd.DataFrame(stock_history)
ibm_df = ibm_df.iloc[::-1]
ibm_df.to_csv("ibm_stock_data.csv", index=False)
header
画出每天Open指标:
代码(AI模拟交易;reward:最大化收益):
代码还有点问题,容我在改改。
我只使用历史数据做为输入,这样是远远不够的。后续:添加更多影响股价的因素,如新闻、社交媒体、搜索趋势等等;添加多股票支持。