之前我们尝试使用SVM，将时序数据转为横截面的数据，使用机器学习的方法进行预测

量化择时——SVM机器学习量化择时（第1部分—因子测算）：
https://blog.csdn.net/weixin_35757704/article/details/129909497

但是因为股票序列本身就是时序数据，因此在计量经济学中很早就以股票数据为例，讲解时间序列数据的分析的案例。这里我们使用LSTM，一种很常用的时间序列数据的分析模型，对股价进行预测。

时间序列数据处理的特点

时间序列的数据通常被认为是由以下几个因素构成的：

• 趋势：长期的趋势
• 季节性：存在固定且已知的周期变化趋势
• 周期性：存在不固定的周期变化趋势
• 噪声：一定的随机性

时序数据的基本假设称为“平稳时间序列假设”：

• 平稳的时间序列数据需要满足以下三个条件：

  1. 滑动窗口内的序列值均值为固定常数：$$E_{xt}=e$$
  2. 滑动窗口内的序列值方差为固定常数：$$Va{r}_{xt}=v$$
  3. 序列存在自相关性，协方差只与时间间隔有关：$$Cov(xt,xt+k)=c\ast k$$

  其中，e,v,c都是常数；k代表时间间隔也是常数

• 非平稳的时间序列数据：与平稳相对的，统计指标会随时间变化

传统的线性模型，由于需要使用最小二乘法与最大似然估计对数据进行拟合，因此前提假设需要满足“序列平稳”，而相对于使用截面数据，机器学习的前提假设是样本点之间“独立同分布”。而对于金融数据来讲，截面因子逻辑上讲其实并不满足独立同分布，序列想要满足相对平稳的要求往往要用到周线数据+2阶差分，因此在应用层面，无法满足我们细粒度的研究，尤其是在量化应用上，交易机会瞬息万变，研究粒度越小越好。

这里我们选择LSTM（等深度学习）模型来进行建模，原因是深度学习中类似LSTM结构与激活函数等非线性变化，可以很好的突破“平稳”的前提假设，用魔法打败魔法。但与之对应的，我们需要尽可能多的构造有效性较高的数据，以提升模型的效果。

LSTM量化建模

LSTM是一种逻辑结构，就像贪吃蛇首尾相连一样，LSTM可以尝试从不同的时序变化中找到共性特征，这篇博客中不过多的介绍，主要讲解在量化中的应用场景

Pytorch LSTM参考链接：https://pytorch.org/docs/stable/generated/torch.nn.LSTM.html
ps：有兴趣可以学习一下LSTM反向传播的计算方法，博主觉得反向传播是设计LSTM的精髓

LSTM模型这篇博客就不详细介绍了，大家可以参考下面的图，这篇博客主要讲解LSTM在量化中的应用

LSTM模型介绍

• input_size：x的特征维度
• hidden_size：隐藏层的特征维度
• num_layers：lstm隐层的层数，默认为1

LSTM训练流程

使用全部的特征进行预测，预处理流程如下：

1. 对全部数据进行标准化
2. 切分数据：
   • 训练集：2015-2020年的后复权股票数据
   • 验证集：训练集中最后的10%的数据（留一验证）
   • 测试集：2020-2023年的后复权股票数据
3. 优化器：Adam
4. loss函数：MSE
5. Batch size：64

特征构造

这里我们构造的特征简单一些，与使用SVM的特征一样：

1. 过去5日换手率均值
2. 过去10日换手率均值
3. 过去5日涨跌幅
4. 过去10日涨跌幅
5. MACD指标DIF值
6. MACD指标DEA值
7. MACD值
8. 阿隆指标（一种动量指标）DOWN值
9. 阿隆指标UP值

LSTM建模代码

博主使用pytorch构造LSTM模型，模型代码如下：

模型训练/验证效果

训练150次

其中，训练集训练效果如下图所示：

验证集的效果如下图所示：

最终预测效果

预测之后，我们对测试集的结果与预测的结果分别进行等频的数据分箱，分为10个有固定数量的区间，然后绘制的胜率图效果如下：

我们发现，预测效果相对较好的地方呈现“X”的形状，产生这个原因的解释是：

1. 中间部分的值相对密集，比如类别4与类别5之间差距不如类别0与类别1大，因此中间区域的效果相对边缘较为集中
2. 主对角线是正确的结果，而副对角线的预测相对密集，说明在模型的视角下，相同的特征走势后续上涨或下跌区分度并不明显，同样的特征后续极有可能上涨，也同样极有可能下跌

基于模型构建的策略通常会选择模型预测最高的前N%买入，即上图中最右边一列是真正会用于交易的地方，