经过一个多月的努力，终于完成了一个简单的人工智能来判断第二日股票的涨跌，用的是一个简单的全连接神经网络。Tensorflow的架构，简单说一下实现算法的业务逻辑。
一、数据处理。
取出某个股票的400个交易日内的历史记录。对400个交易日内进行各个指标的运算，将运算结果记录数据库中。获取了6个常见的指标，比如说KDJ，MACD等。
把400个指标记录分别拆分成训练集和测试集，如下：
随机拆分的比例大约：9:1
二、训练网络
将这些数据放入到神经网络中进行训练，训练的正确率达到90%就可以。
然后用测试集进行验证。
由于每个股票都会有单独的特点，因此各个股票都会有一个独立的拟合模型。
网络结构代码如下：
1. 定义输入层函数：
2. 定义神经网络结构
3. 编译网络
4. 对网络进行训练
这个训练指标感觉一般，产生了一定的过拟合，所以说各个股票的训练模型在使用的过程中还需要调整。
5. 使用测试集对结果验证
在这里测试集的正确率是95.34%, 还是比较高的。
三、结果处理
由于是股票投资，对结果的处理，采用了一个分类处理的方式，将神经网络的处理结果分成3类：-10%至-3%， -3%至3%， 3%至10%。
简单来说就是，大跌情况，横盘震荡情况，大涨情况。三种情况对应三个人工智能判断的结果，来指导第二天股票的买卖。如图：
初步的想法是，实盘过程中震荡结果必然是最多的，但对多只股票进行运算，比如10-20只，当某个股票出现大涨的指标后，第二天及时买入，第三天立即卖出。
四、业务部署
训练出的模型需要与各个股票对应，股票也许多只，因此在模型的部署上要求会比较高，否则会带来潜在的大量工作。首先是初次任务，当股票被纳入到股票池中后，获取其400日之内的全部历史数据计算入库和处理，同时到处用于神经网络的训练集和测试集。盘后的定时任务，通过定时任务将当日的股票数据进行加载和运算。
时间仓促的缘故，神经网络的训练过程没有与业务系统结合，需要手动训练。但使用工作流的部署方式，让效率有所提高。将模型推送到git会自动的将线上的模型库更新。
五、后期处理
刚刚写完的一种对股票涨停的判断，由于在量化交易过程中，会存在测不准原理。这个指标方式还是需要时间的检验，后期会将每周新产生的数据纳入到机器学习的范畴中。达到自动学习自动提高正确率。
