我們可以看到網上有很多的用LSTM預測股價的模型，這個模型的真的是像極了財神爺！那麼它是真的能夠達到一定的準確率嗎?或者說它真的能給我們帶來收益嗎？
我們先來看看LSTM，它的英文全稱是Long-Short Term Memory，中文叫長短期記憶。它是基於人的記憶特性來的，我們都知道，我們會忘掉低頻發生的事情，而記住高頻發生的事情。也就是說，你如果經常幹一件事，你肯定記得特別清楚，反之如果一個活，你乾的少，你肯定就不熟練，不熟練的意思就是你忘了。從邏輯上講，它比較適合一些比如寫文章啦，對話啦這樣的任務。由於它本身的特性，很多人將它用來預測股價，它其實也是一個模式識別，也就是說當它發現股價這樣這樣這樣之後，接下來的股價是這樣的。一般大家做的都是Seq-to-Price，也就是用多天的股價來預測接下來一天的股價。那麼LSTM到底是怎麼樣的一個原理呢？其實，說白了就是有一個遺忘機制，不常用的它就忘記了。
那麼用LSTM模型的預測我們說到底靠譜不靠譜呢？我先用Keras來給出這個模型。
model = Sequential()
model.add(LSTM(32, input_shape=(30, 5), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(32, return_sequences=False))
model.add(Dropout(0.2))
model.add(Dense(1))
model.add(Activation("relu"))
opt = optimizers.adam(lr=1e-5)
model.compile(loss="mse", optimizer=opt)
這個模型裏我們用了2個LSTM層加一個dense層，每個LSTM層均有32個核心。我們用30天的OHLCV數據來預測下一天的Close Price。我們加了dropout來避免過擬合。我們的dense層輸出下一天的股價。看到這裏大家可能覺得，這麼簡單的模型，一定不能工作。好的模型和大小關係不大，那麼這個模型工作嗎？我們接下來一起來看。它的訓練也非常簡單，2G 顯存的顯卡足以搞定它的訓練。
這裏我們就直接來放出它的預測結果，這個結果看起來是不是非常的激動人心，當然這個結果還是在我對數據沒有進行歸一化處理之前的結果，進行歸一化處理之後的預測更加能讓你小鹿亂撞，不，是心潮澎湃，感覺人生到達了高潮。看起來預測的曲線和實際的股價擬合的非常好，在這裏再告訴大家一個鐵律，一旦你發現你的股價和你的預測吻合的非常好，一定是因爲你的圖太小，時間週期太長，放大了看看就明白了，另外一個好辦法就是用回測來驗證你收益率有多少。基本上虧損和盈利都是隨機的，並且同樣的模型放在一支股票上挺好使，另外一隻股票上一坨屎。這就是說明模型的泛化能力不行。
那麼是否說明LSTM不行呢？非也，是股價預測不行！你仔細思考一下，你的股價如果在28塊，你的股價預測基本都在它左右，最後的曲線擬合很好也很正常。但是股價預測用LSTM爲什麼不工作呢？很簡單，LSTM適合來做文本預測，我們漢字常用字纔多少個？股價到分的話一塊錢都有100個，這是原因之一，其二，“我”，“在”這兩個字是有明確的意義和上下文的，它的搭配是固定的那麼多個。那麼股價10塊和10塊1毛之間有固定的聯繫嗎？沒有！有180-200個股價和10塊的組合是有可能的，對應漲停與跌停！但這不是等於猜嗎？所以如果我們要去預測股價，我們至少需要對數據進行一些特殊的離散化處理！這部分我們以後再來討論。
最後，我們的結論很明確了，用文中的LSTM模型結合OHLCV來預測股價是不靠譜的，儘管看起來很美！瞭解更多深度學習和量化知識，請移步我的星球：AI量化(https://t.zsxq.com/RvfY37y) 星球限時免費，如需加入，請私信我獲得免費邀請碼！微信公衆號：QTechAI