预测股票价格，并在合适的时间产生交易策略实现收益，一直是一个热门的问题，到现在为止也提出了很多预测方法。但股票价格 的实时预测是一个难点，需要及时预测价格趋势并作出交易判断。

解决方案

任务/目标

根据市场上已有价格等数据，预测股票价格或趋势，形成交易策略，通过回测计算收益情况。

数据源准备

使用分钟集数据，获得股票价格、交易量、 流量数据，其中流量数据是用一种特殊的方 法计算。每天交易时间为 4 小时，所以一天 有 240 组数据。

由于数据量级的差异，需要对数据进行预处理，都进行归一化。

构造

以上说明了如何抽取相关特征，我们大致有如下训练样本（只列举部分特征）。

划分训练集和测试集

考虑到最终模型会预测将来的某时间段的销 量，为了更真实的测试模型效果，以时间来 切分训练集和测试集。其中训练集与测试集 的比例为 8：2。

建模

LSTM，长短期记忆网络，是一种特殊的 RNN 网络。LSTM 解决了 RNN 中存在的长期依赖问题， 有输入门、输出门和遗忘门。

EMD，经验模态分解，任何信号可以分解成若干模态分量之合。

EMD分解在处理非平稳及非线性数据上，具有非常明显的优势，适合于分析非线性、非 平稳信号序列，具有很高的信噪比。

模型优化

利用 LSTM 预测股票价格解决 EMD 分解的端点问题。

利用 LSTM 预测中国平安的股票价格情况：从 loss 图中可以看出，网络效果较好，训练集和测试集的loss 都是下降后趋于稳定，不存在过拟合现象。

从下图可以看出测试集的价格预测有很高的 一致性。

下图是放大后效果

利用EMD 分解计算 MACD 的值生成交易信号，将信号代入真实股价产生收益。可以 看出胜率在60％左右