从零开始用人工智能预测股票（三、初步实现）

在数据加工好以后，我们用TensorFlow做简单的预测。
按之前的做法去读取并加载数据 data,date= dp.readData()
train,test,trainLables,testLabels= dp.normalization(data)然后添加变量和参数    x = tf.placeholder("float",[None,109])
w = tf.Variable(tf.random_normal([109,21]))
b = tf.Variable(tf.random_normal([21]))
y = tf.nn.softmax(tf.matmul(x,w)+b)
y_ = tf.placeholder("float",[None,21])损失函数为交叉熵，y+1e-9为了保证交叉熵不为空，不加1e-9则无法继续计算：

#损失函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y+1e-9))

采用动态学习率，随步数进行递减

    #设定学习率随时间递减
global_step = tf.Variable(0, trainable=False)
initial_learning_rate = 0.0001 #初始学习率
learning_rate = tf.train.exponential_decay(initial_learning_rate,
global_step=global_step,
decay_steps=10,decay_rate=0.9)

训练过程采用梯度下降法进行反向传播：#训练过程梯度下降法最小化损失函数
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(cross_entropy)
初始化后开始计算，每次随机选取100个数据进行训练，每100步进行测试

# Create a saver for writing training checkpoints.
saver = tf.train.Saver()

#初始化session
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(5000):
#取随机100个训练样本
batch_xs,batch_ys = dp.random_batch(train,trainLables,100)
sess.run(train_step,feed_dict = {x:batch_xs,y_:batch_ys})
#每10步进行测试
if i%100==0 or i == 4999:
checkpoint_file = os.path.join(LOG_DIR, 'model.ckpt')
saver.save(sess, checkpoint_file, global_step=i)
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
batch_test_xs,batch_test_ys = dp.random_batch(test,testLabels,100)
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
accuracy,argmaxN =sess.run([accuracy,tf.argmax(y,1)],feed_dict = {x:batch_test_xs,y_:batch_test_ys})
print ("正确率为：",accuracy,"测试结果为：",argmaxN)

测试的正确率按计算结果与真实结果四舍五入后的整数相等做判断，因此存在一定误差。
采用此方法最后计算得到的准确率在30%-40%之间，因为模型和数据的简陋性，此结果算是可以接受的准确率。



然而事后进行分析，预测结果大部分分布在tf.argmax(y,1)=10处，意为涨跌幅预测为0，而实际中上证指数涨跌幅四舍五入后为零的情况非常常见，因此此模型准确率的意义不大，后续考虑涨跌幅较大的个股做以模拟，以继续探索股票预测的可用模型。

本文所涉及代码如下，引用本文及代码请注明出处。
https://github.com/renmu2017/predictStock.git