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。
1700510916
1700510917
CREATE TABLE EURUSD_TRAININGSELECT EURUSD_1M.DT, OPEN, HIGH, LOW, CLOSE, RISE_PIP, FALL_PIP, PROPORTIONFROM EURUSDINNER JOIN SLIDEWINDOWON EURUSD_1M.DT=SLIDEWINDOW.DT;
1700510918
1700510919
此外，还要给每条训练记录加上一个分类，就是我们前面提到的RISE3、RISE2、RISE1、NONE、FALL1、FALL2、FALL3这几个分类。为了方便起见，最后在向量构成时会把它们对应地改写成1、2、3、4、5、6、7这样7个分类。在此之前，改造一下EURUSD_TRAINING表，给它加上一个CLASSIFICATION字段。
1700510920
1700510921
ALTER TABLE EURUSD_TRAINING ADD COLUMN(CLASSIFICATION INT);
1700510922
1700510923
在表构造环节的最后，要加上分类条件。
1700510924
1700510925
UPDATE EURUSD_TRAININGSET CLASSIFICATION=1WHERE RISE_PIP＞=0.0040 AND PROPORTION＞=1.5;UPDATE EURUSD_TRAININGSET CLASSIFICATION=2WHERE RISE_PIP＞=0.0020 AND RISE_PIP＜0.0040 AND PROPORTION＞=1.5;UPDATE EURUSD_TRAININGSET CLASSIFICATION=3WHERE RISE_PIP＞=0.0010 AND RISE_PIP＜0.0020 AND PROPORTION＞=1.5;UPDATE EURUSD_TRAININGSET CLASSIFICATION=5WHERE FALL_PIP＞=0.0010 AND FALL_PIP＜0.0020 AND PROPORTION＜0.67;UPDATE EURUSD_TRAININGSET CLASSIFICATION=6WHERE FALL_PIP＞=0.0020 AND FALL_PIP＜0.0040 AND PROPORTION＜0.67;UPDATE EURUSD_TRAININGSET CLASSIFICATION=7WHERE FALL_PIP＞=0.0040 AND PROPORTION＞=1.5 AND PROPORTION＜0.67;UPDATE EURUSD_TRAININGSETCLASSIFICATION=4WHERE CLASSIFICATION IS NULL;COMMIT;
1700510926
1700510927
这里要注意最后一个分类，其他几个分类的定义都比较清晰。最后一个分类其实并不仅仅是波动小的分类，还包括一些情况，例如上下波幅可能很大但涨跌幅度相当。这两种分类合起来作为分类“4”，我们将它们统称为“不适合入场”就好了。
1700510928
1700510929
编写训练脚本
1700510930
1700510931
在滑动窗口捕捉到涨跌信息后，可以对应输出数据分类。由于数据量比较充足，可以考虑用70％的数据作为训练数据，留下30％的数据作为验证数据。
1700510932
1700510933
使用Keras和Theano搭建一个训练环境，并选择相应的数据项作为训练集和验证集。在这个训练过程中，我们假设从当前的时间点向前观察60分钟，结合当前时间点的“蜡烛”位置来判断是否产生了“突破”形态，并使之向着自己想定的方向移动，即今后1小时的涨势信息蕴含在之前60分钟K线图每根“蜡烛”所表示的价位之中。
1700510934
1700510935
在做这部分工作之前，我们处理一下EURUSD_TRAINING表，为其添加一个索引。
1700510936
1700510937
ALTER TABLE EURUSD_TRAINING ADD INDEX(DT);
1700510938
1700510939
在这里请注意，可以直接在数据库里用游标做滑动窗口构造训练样本集。这种情况下，时间复杂度在O(n)上。但是，不推荐在遍历中嵌套一个60分钟的请求——尽管时间复杂度理论上还是O(n)，不过由于每次都要再请求数据库，所以消耗的时间很长。在这里我使用的方法是将数据输出到文本文件，然后用遍历文本文件的方式进行构造。
1700510940
1700510941
编写Python文件make_file.py。
1700510942
1700510943
import os,sys,MySQLdbimport numpy as npdb=MySQLdb.connect(host=‘localhost’, user=‘root’, passwd=‘111111’, db=‘FOREX’)cursor=db.cursor()cursor.execute(‘USE FOREX;’)sql=‘SELECT * FROM EURUSD_TRAINING;’cursor.execute(sql)result=cursor.fetchall()for i in range(cursor.rowcount): printstr(result[i][0])+’,’+str(result[i][1])+’,’+str(result[i][2])+’,’+str(result[i][3])+’,’+str(r esult[i][4])+’,’+str(result[i][5])+’,’+str(result[i][6])+’,’+str(result[i][7])+’,’+str(result [i][8])cursor.close()db.close()
1700510944
1700510945
调用该文件，并把文件输出到record.txt。
1700510946
1700510947
python make_file.py ＞＞ record.txt
1700510948
1700510949
（1）第1次尝试
1700510950
1700510951
在这个文件中，我们设计了一个有8个维度的向量，但这8个维度在训练中并非都用得上。
1700510952
1700510953
编写训练文件train.py。
[
上一页 ]
[ :1.700510904e+09 ]
[
下一页 ]