# 基于卷积神经网络（CNN）的多元大盘涨跌分类模型 ![timg.jpg][1] 卷积神经网络在多年前由Yann Lecun所发明，由于其能够高效快速提取图像特征，在计算机视觉领域有着非常普遍的应用，而这通常指的是二维卷积（长*宽*通道数）。而其实除去二维卷积以外，还存在着一维卷积（长*通道数），一维卷积在信号处理以及时间序列上有着许多优势，与图像识别相同，一维卷积能够很好地提取时间及信号序列中的特诊，从而对目标函数进行更好地收敛。 而在这个研究中，长我们都知道是时间序列的长度亦即是用前n天的数据来预测当日的涨跌分类，那通道数是什么呢，既然是多元模型，那通道其实就是不同的特征，在这里就是各种用来预测的指标，卷积能够很好地提取他们中与目标相关的特征。 # 数据 我们选取了从1990年12月19日至今的所有全A指数开盘、收盘、最高、最低、交易量、涨跌、涨跌幅以及全球部分相关指数的收盘价（在中国之前开盘的选取当天的开盘价）比如道琼斯综指、纳斯达克、日经225，富时250等等，然后是一些固收市场的交易品种比如Shibor，Libor等等。通过整合预处理最后得到包含5387个样本的训练集，190个样本的测试集和190个样本的测试集。需要注意的是，因为我们处理的是时间序列的数据，且是一个预测，因此对交叉验证数据集的切分，也是按照过去和未来进行的，也就是说将时间序列分为三块，第一块为训练集，中间为验证集，最后为测试集。 # 算法结构 ![model.png][2] 我们在这个结构中引入了Leaky RELU（带泄露的线性整流函数），他可以更好地RELU函数的收敛问题，同时加入了Dropout以及L2惩罚项来防止过拟。同时我们将初始学习率设置为0.002，使用NAdam优化器，同时让学习率每次在测试集损失没有降低时降低10%，下限为0，以让函数更好地收敛。 # 结果及反思 ![Snipaste_2018-08-30_21-47-56.jpg][3] 可以看到，在经过了数以万计的迭代之后，算法在训练集上的准确率已经达到了97%，可见神经网络在非线性拟合上的强大，而其在验证集上的损失却始终没有下跌的趋势。于是后续我们在算法上进行了各种的改动，比如改学习率，增加神经网络的层数，将L2惩罚项改为L1惩罚项等等，但结果却始终不尽人意，算法永远能够在训练集上过拟，而对未来却没有预测能力。 ![Snipaste_2018-08-30_21-58-37.jpg][4] 最后在测试集上我们获得了56.31%的正确率，并不令人满意，足以让我们深思中国的股市是不是真的具有预测能力，还是纯粹的随机游走。 [1]: https://quant.gtja.com/img/b453dfcfe9976b183b262bc21abc79f9 [2]: https://quant.gtja.com/img/2a98916dd3280b7434cf72790132abac [3]: https://quant.gtja.com/img/50b024ae7bcb3c3ebab982b3f93fe938 [4]: https://quant.gtja.com/img/10147b324636fa1ca522f3174ca1e908