社区

我关注了这个repo, 自己接到了不下百封邮件（发给author的）都要求能不能share codes. 作者展示了些部分片段，但要是完成做成pipeline, 还需要很大一部分的精力和时间。我觉得这个还是很有启发意义，用到了几乎能想到的所有机器学习/深度学习的方法去预测价格走向。说些我自己的想法：

• Step1: Feature importance, dimensionality reduction
• 我自己也在工作中也用到了不少feature analysis的工具，random forest, extra tree, gradient boost 都可以用来分析不同的feature， 比如说50ma, 200ma, candle stick, pressure level， 空头回补天数等等。
• 主要是分析anomaly, 例如交易量的突然变化。
• 现在社交媒体经常也会有不少的大型媒体会放出breaking news，我们需要追踪几个重要的twitter account, 例如说Citron research, muddy water, 还有Elon, Trump 等等经常影响大盘指数跳来跳去的。
• Step2: 基于每一个feature的重要性(importance factor), 给几个最重要的feature一个权重系数。谁最重要系统可以告诉我们一部分，但（我觉得）更重要的是基于我们的经验。Trump发个推特说需要和中国重新谈贸易关税，股市必然上蹿下跳，我就给他0.9的权重。
• Step3: Long short-term memory 用来预测模型也许有用，但我的经验是没那麽有用，可能还是我的feature不够准确？
• Step4: GAN
• GAN其实是很难训练的，我自己工作中也用GAN来提高深度学习预测出来结果的分辨率，我称它为Super Resolution GAN.
• 这里的GAN肯定不是用来提高分辨率的，提高模型准确性？还是提高预测的股票的价格？我觉得可以用GAN来预测趋势，具体的数值很难预测，但是预测短期趋势结合社交媒体的breaking news, 提前10秒收到波动值提醒，再做交易也不会太迟。我自己就尝试过几次，效果还不错。
• Step5: Reinforcement learning
• 这一步也是基于突发事件，公司通报，社交媒体（每一部分都会有一个系数）更新我们的模型，综合各个系数来给出一个upward/downward的概率，基于保险起见，人还是要来做出最后的决策的。