預計撐兩天的我，今天是第30天 - 筆記總整理

11th鐵人賽

預計撐兩天XD

2019-10-01 00:19:58

2575 瀏覽

零、一路走來始終如一

沒錯， 當初真的只想說要撐兩天 ，但還是認認真真的規劃了一下，然後就寫到今天了(有點佩服自己)。

而且還上粉專
而且還上粉專
而且還上粉專

一切都是來得這麼突然XD 有點小開心+小歉意 (工程師的BUG往往都是這麼樸實無華，且枯燥

一直做錯實作還要多一篇來修BUG，進度超慢還亂測試，邪門歪道喔!! 躺分啊!!

小...小的錯了，但還是要給它結束啊 !!! 回到正題，其實在規劃這個系列文的時候，我的最終目標就一直都希望用RL來實現。雖然最後的結尾是如此地偏門 (笑死 XD

那為什麼不用正規的RL做呢?

要啊! 要做啊! 但我預計在25天前就把該解決的解決了才對Orz 計劃趕不上變化啊!!! 連GCP都統我一刀... 我原本預計的規劃如下的排列組合 :

打*的代表我有做的 XD 最後一欄對我來說只是bonus

時間軸	使用模型	使用資料集	資料處理方法	預測	環境
最先	* LSTM	* 短線	* 普通正規化	* 價格	* local電腦
-- ↓ --	CNN	-	加入指標	-	* GCP VM
-- ↓ --	CNN-LSTM	* 當沖	畫成圖	* 行動	-
-- ↓ --	Muti-Model	-	-	-	-
-- ↓ --	* 偏門RL	3日短線	-	-	GCP API
最後	RL	月線	-	行動+價格	edge

好爛喔~ 還跳過這麼多模型

我盡力了喔(哭~)，而且因為是第一次參加，我不確定是不是第一天就要開始寫 ... 那時候因為忙到 9/4，還是給它在9/2就開始寫了XD 而且本來還要先屯個幾篇再開始，但真的不知道，所以都當天來... 有鑑於此，在這獻上發自內心的一句諫言 : 「 千萬不要回去看那幾篇!! 」

回顧一下作者我到底都幹了些什麼吧! (程式碼位於最下方的參考中)

一、古生代 :: 單細胞生物所撰寫的文章

天	篇章	備註
1	30天可以用AI來分析股票嗎?	講幹話
2	起步~走!	講幹話
3	GCP環境建置-我可以開始Coding啦!	實作錯了硬要講幹話
4	GCP上架設VM - 筆記	實作錯了硬要講幹話
14	股票市場及python網路爬蟲	幹話的完全體

-> 筆記 :: 採坑系列

天	篇章	備註
9	TFRecord踩坑踩好踩滿	抱回我的自尊~哼! (但後面依然沒有用它)
21	Keras-LSTM踩坑踩好踩滿	然後自尊就被搶走了

二、中生代 :: 盤古大陸TFRecord上不去

天	篇章	備註
5	股票預測需要什麼樣的NN模型?	我的第一篇筆記觀念XD
6	股票預測初探 :: 只有過程沒有結果~嗚嗚	實作很久的失敗TFRecord
7	股票預測二訪 :: 簡單測試及修正小問題	繼續嘗試TFRecord然後失敗Orz
8	股票預測三試 :: 使用小的Dataset和LSTM做多個測試	放棄TFRecord總算有了第一個結果

三、人類的出現 :: 實戰前的測試路系列

天	篇章	備註
10	實戰前的測試路(一) :: 正規化資料	最基本的正規化資料
11	實戰前的測試路(二) :: 加入第二個變數	加入「交易量」資訊
12	實戰前的測試路(三) :: 混合正規測試	將兩個不同的正規化方是結合
13	實戰前的測試路(四) :: 非股價預測測試	預測`action`的第一步

四、文化的形成 :: 沒有實作所以只好講幹話系列

天	篇章	備註
16	沒有實作所以只好講幹話系列(一) :: 從loss到梯度下降	loss是什麼?
17	沒有實作所以只好講幹話系列(二) :: 模型中的激勵函數	激勵函數是什麼?
18	沒有實作所以只好講幹話系列(三) :: 過擬合了 !!	過擬合是什麼?
16	沒有實作所以只好講幹話系列(四) :: 淺談Reinforcement Learning (RL)	強化學習是什麼?

五、現代世界 :: 暴力系列

天	篇章	備註
19	暴力LSTM模型實測-你是在跟我開玩笑嗎?	實作有BUG LA
20	暴力輸入資料實測-單純的我被嘲諷了	實作有BUG LA
22	暴力拔掉do_nothing類別-期待的我被侮辱了	實作有BUG LA
23	暴力中繼總匯站-修bug之路之結果重發	把BUG補掉 LA
24	暴力股票action預測-什麼叫做暴力美學 ?	預測趨勢

六、未來世界 :: RL的出現

天	篇章	備註
15	超級簡略的單股買賣模擬器	第一個環境模型
25	超級簡略的單股買賣模擬器 :: 測試action預測結果	從`1000`滾到`2億`元
26	比較不簡略的單股買賣模擬器 :: 面對現實吧 !	然後就賠錢了...嗚嗚
28	偏門RL實測 :: 用超簡單股票交易模擬器來訓練模型	測試用環境來訓練模型
29	偏門RL實測 :: 調出一個合適的環境參數 !!	設法找到最適合的`Reward`

七、總結 :: AI可以分析股票嗎?

在這一系列的trial and error當中，我也對整個股票市場從0慢慢升到了1 (滿是100) 。「AI可以分析股票嗎?」這個問題早在第一篇幹話中已經給出了答案，在實作的過程中也驗證了這個答案，在一般的情況下，不加入人為的指標、沒有環境狀態或甚至完全不知道自己在預測什麼的情況下， AI都能夠使模型收斂並有一定的成效 。

但加入手續費就直接GG了

沒錯Orz，但不可否認，如果把環境狀態也放進去，很有可能有翻轉的餘地 (催眠中~

那麼如果要繼續的話，接下來要做什麼?

如果要繼續，應該要把戰場撤離「當沖」。除非你在證券公司上班，不然就是幫他們賺錢，現在應該要將時間軸拉長一點，做3-7天的連續投資。這個就會比較麻煩了，我們不能用原本的LSTM來做(資料會太大)，也要考慮正規化的問題，因為隔天的開盤價不同。我認為RL是最好的方式，我們需要顧全大局，又要有一定的限制，這些是單單給y_true做不來的。