Keras(Tensorflow) vs AutoGluon对沪深300指数20日收益率预测对比（代码+数据）

今天加上tensorflow(keras)的深度神经网络模型。

若是预测5天后的涨跌：训练集能到74.6%，测试集54.3%，比1天的好。

若是10天的收益率，训练集75.5%，测试集是57.6%。

预测20天的收益率，训练集是84.6%，测试集是59.7%。

我修改了因子周期，基本也是这个规律。就是：“明天的涨跌很难预测，但一个月后的，准确率还是比较高”的。更远的，可能就很容易出现过拟合。（训练集拟合得特别好，但测试集还不如掷硬币）

再做一组实验，仅使用最原始的OHLCV数据：

预测20天后的收益率，训练集70.8%，测试集62.4%。

量化的好处之一就是做实验，所以，我“人肉”做了不少实验。

把因子简化到只有一个“收盘价”，相当于用历史收盘价序列，测试未来20天涨跌，测试集准确率还是63%。

我一狠心，使用随机序列测试，你猜怎么着，准备率仍然高达49%。。。

然后在收盘价的基础上，添加volume，准确率基本没变化，若是添加其他价量因子，比如roc_20，则准确率会下降。。。

使用tensorflow(keras)实现DNN，来看看效果：

class TfModel(ModelBase):
    def create_model(self, dim, hl=1, hu=128, optimizer=Adam(lr=0.001)):
        model = Sequential()
        model.add(Dense(hu, input_dim=dim,
                        activation='relu'))
        for _ in range(hl):
            model.add(Dense(hu, activation='relu'))
        model.add(Dense(1, activation='sigmoid'))
        model.compile(loss='binary_crossentropy',
                      optimizer=optimizer,
                      metrics=['accuracy'])
        return model

    def train(self, df_train, df_test, label='label'):
        cols = list(df_train.columns).copy()
        cols.remove(label)

        df_train.dropna(inplace=True)

        train_data = df_train[cols]

        mu, std = train_data.mean(), train_data.std()
        train_ = (train_data - mu) / std
        print(train_)

        model = self.create_model(dim=len(cols), hl=1, hu=128)
        model.fit(train_,df_train[label], epochs=50,
                  verbose=True, class_weight=cw(df_train,label))


        print('评估测试集')
        test_data = df_test[cols]
        mu, std = test_data.mean(), test_data.std()
        test_ =  (test_data - mu) / std
        print(model.evaluate(test_, df_test[label]))

测试集准确率是57.3%。

添加正则和Dropout防止过拟合：

def create_model(self,dim, hl=1, hu=128, dropout=False, rate=0.3,
             regularize=False, reg=l1(0.0005),
             optimizer=Adam(lr=0.001)):
    if not regularize:
        reg = None
    model = Sequential()
    model.add(Dense(hu, input_dim=dim,
                    activity_regularizer=reg,
                    activation='relu'))
    if dropout:
        model.add(Dropout(rate, seed=100))
    for _ in range(hl):
        model.add(Dense(hu, activation='relu',
                        activity_regularizer=reg))
        if dropout:
            model.add(Dropout(rate, seed=100))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer=optimizer,
                  metrics=['accuracy'])
    return model