1700510866
1700510867
下载文件，如图18-16所示。
1700510868
1700510869
1700510870
1700510871
1700510872
图18-16 sIidewindow.csv文件内容
1700510873
1700510874
第1个字段是当前时间；第2个字段是未来60分钟内的高点减去当前这一分钟收盘价的值，也就是涨幅；第3个字段是当前这一分钟的收盘价的值减去未来60分钟内的低点值；第4个字段是第2个字段值和第3个字段值的商，这个值可以粗略地分为正值较大（如图18-17所示）、正值较小（如图18-18所示）、负值较大（如图18-19所示）和负值较小（如图18-20所示）4种情况。
1700510875
1700510876
1700510877
1700510878
1700510879
1700510880
图18-17 正值较大 图18-18 正值较小 图18-19 负值较大 图18-20 负值较小 从形态上来看，我们肯定希望找到那些涨势/跌势明显的点。正值很大，表示明显的涨势；正值为1以内非常小的值，表示非常明显的跌势。在负值较小的情况下越接近1，说明涨势越明显；在负值较大的情况下越接近1（最大就是1），说明跌势越明显。正值且接近1的情况就不太好了，说明涨跌幅度相近，这非常不利于交易。所以，显然是幅度越大且涨跌态势越明确（不震荡）的情形是最好的下单入场点。
1700510881
1700510882
通过分析这个文件就会发现，只有正值较大和正值较小两种情况，也就是说，CLOSE一直都在HIGH和LOW之间。这种情况下就要看波动向哪边偏斜了，那些偏斜大的是我们比较喜欢的。在1小时内升幅最大的是386个点，跌幅最大的是266个点。我们试着找出那些波动幅度明显属于向高方向偏斜的（这里可以考虑大于1.5的），以及波动幅度明显属于向低方向偏斜的（这里可以考虑小于0.66的），看看数量分别有多少。
1700510883
1700510884
建立一个临时表SLIDEWINDOW。
1700510885
1700510886
CREATE TABLE SLIDEWINDOW( DT DATETIME, RISE_PIP DECIMAL(10,4), FALL_PIP DECIMAL(10,4), PROPORTION DECIMAL(10,4));
1700510887
1700510888
将分析结果插入这个临时表，编写Python文件slidewindow_insert.py。
1700510889
1700510890
#!/usr/bin/pythonimport os,sys,MySQLdb try: db=MySQLdb.connect(host=‘localhost’, user=‘root’, passwd=‘111111’, db=‘FOREX’) cursor=db.cursor() counter=0 cursor.execute(‘USE FOREX;’) sql=‘SELECT * FROM EURUSD_1M’ cursor.execute(sql); result=cursor.fetchall() for i in range(0, cursor.rowcount): startdt=str(result[i][0]) startpip=str(result[i][4]) cursor1=db.cursor() cursor1.execute(‘USE FOREX;’) sql1=‘INSERT INTO SLIDEWINDOW SELECT DT, MAX(HIGH)-‘ + startpip + ‘ AS RISE_PIP, ‘ + startpip + ‘-MIN(LOW)AS FALL_PIP, CASE WHEN ‘+ startpip + ‘＜＞MIN(LOW)THEN(MAX(HIGH)-‘ + startpip + ‘)/(‘ + startpip + ‘-MIN(LOW))ELSE(MAX(HIGH)-‘ + startpip + ‘)/0.0001 END FROM EURUSD_1M WHERE DT BETWEEN ”’ + startdt + ’” AND DATE_ADD(”’ + startdt + ’”, INTERVAL 60 MINUTE)’ cursor1.execute(sql1) if i%2000==0: db.commit() db.commit()except MySQLdb.Error,e: print “Error %s” %(str(e.args[0])+’:’+str(e.args[1])) exit(1)cursor1.close()cursor.close()db.close()
1700510891
1700510892
使用SQL语句，计算涨幅与跌幅波动比大于1.5且涨幅大于10个点的分钟数。
1700510893
1700510894
SELECT COUNT(*)FROM SLIDEWINDOWWHERE PROPORTION＞=1.5 AND RISE_PIP＞=0.0010;
1700510895
1700510896
1700510897
共找到1606759分钟的数据，占5447760分钟记录的29.5％，说起来不算太差。在这种情况下，理论上有超过的时间可以下单买涨。
1700510898
1700510899
下面计算一下涨幅与跌幅波动比小于0.66且跌幅大于10个点的分钟数。
1700510900
1700510901
SELECT COUNT(*)FROM SLIDEWINDOWWHERE PROPORTION＜=0.66 AND FALL_PIP＞=0.0010;
1700510902
1700510903
共找到1576827分钟的数据，占5447760分钟记录的28.9％，与涨势的情况相差无几。
1700510904
1700510905
下面我们找出这些点前面的1M K线图数据，并尝试设计一个分类模型。
1700510906
1700510907
构造训练样本
1700510908
1700510909
为了方便训练，我们先构建一个便于生成训练样本的表或者文件。在Keras里，训练样本和验证集是以如下这种文本形式出现的。
1700510910
1700510911
[[ 0.48797666 0.49515848 0.96743517 …, 0.34333791 0.01071582 0.55347333] [ 0.18182799 0.52856064 0.7593987 …, 0.93302057 0.96330937 0.36177566] [ 0.29722546 0.69625588 0.02873254 …, 0.48557884 0.73657364 0.32492677] …, [ 0.13549382 0.00378319 0.06903272 …, 0.27581255 0.00568914 0.32686159] [ 0.24844718 0.8345029 0.63331516 …, 0.15998351 0.56751348 0.09996194] [ 0.33877344 0.37488438 0.42507674 …, 0.44084842 0.18272158 0.70054914]][[0 0 0 …, 0 0 0] [0 0 0 …, 0 0 0] [0 0 0 …, 0 0 0] …, [0 0 0 …, 0 0 0] [0 0 0 …, 0 0 0] [0 0 0 …, 0 0 0]]
1700510912
1700510913
前半部分最外层的方括号中是一个个输入向量，用方括号括起来，中间的维度用空格分开。后半部分的分类向量信息，最外层用方括号括起来，每一个分类向量也用方括号隔离。在这里，由于使用Softmax作为输出层，所以每一个输出向量的每一个维度都是一个分类概率。
1700510914
1700510915
使用SQL语句建造一个训练表，这个表中既要包含刚刚所有的EURUSD表中的信息，也要包括SLIDEWINDOW表中的信息。