炒股技巧 
技术指标 
炒股入门 
炒股专题
炒股问题 
外部文章 
网站首页模拟炒股实验报告(炒股软件)
本篇文章给大家谈谈模拟炒股实验报告，以及炒股软件的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
文章详情介绍：
模拟炒股记录-321
模拟炒股记录-321
东方财富“崩”上热搜，公司回应了！炒股软件为何频现故障
今日（3月21日），东方财富软件“崩”上热搜。多位网友在社交媒体爆料，股票交易时段无法登录东方财富软件，相关话题也冲上微博热搜榜单。
此外，在东方财富旗下的股票社区股吧，有多位投资者发帖询问，“软件又崩了什么情况？”“怎么回事？登录不进去？”
对于引发此事的原因，东方财富董秘办回应南都记者称，具体原因技术部门仍在排查，等结果出来后再具体回复。截至发稿，东方财富交易软件已经恢复正常登录和交易。
截图来自股吧
截至21日收盘，东方财富股价报20.18元，小幅收涨1%。根据其2022年年报，该公司主要业务有证券业务、金融电子商务服务业务、金融数据服务业务等，涵盖互联网证券和互联网基金销售等多个细分领域。报告期内，公司实现营业总收入124.86亿元，同比下降4.65%，实现归属于上市公司股东净利润85.09亿元，同比下降0.51%。
这并不是炒股软件第一次“崩了”。2022年11月9日早盘，同花顺APP也出现过异常情况，“崩了”导致无法连接。当时的通告弹窗显示，“因Level2行情源异常，目前沪市分时和行情走势图受影响。建议广大用户临时切换行情到Level1免费行情站点。”
当天下午，上证所信息网络有限公司发布情况说明称，“今日9时45分，因LEVEL-2行情主用系统报警，我司按应急预案切换至备用系统。9时50分以后，信息商陆续反馈行情显示已恢复正常。”
更早些时候，2022年5月16日，招商证券与华西证券APP曾先后出现故障，导致无法交易。同年7月21日，西部证券旗下的APP也短暂“崩过”。
采写：南都记者 赵唯佳 发自上海
GitHub热门推荐：如何用深度强化学习自动炒股
初衷项目地址：
https://github.com/wangshub/RL-Stock
最近一段时间，受到新冠疫情的影响，股市接连下跌，作为一棵小白菜兼小韭菜，竟然产生了抄底的大胆想法，拿出仅存的一点私房钱梭哈了一把。
第二天，暴跌，俺加仓
第三天，又跌，俺加仓
第三天，又跌，俺又加仓...
一番错误操作后，结果惨不忍睹，第一次买股票就被股市一段暴打，受到了媳妇无情的嘲讽。痛定思痛，俺决定换一个思路：如何用深度强化学习来自动模拟炒股？ 实验验证一下能否获得收益。
监督学习与强化学习的区别监督学习（如 LSTM）可以根据各种历史数据来预测未来的股票的价格，判断股票是涨还是跌，帮助人做决策。
而强化学习是机器学习的另一个分支，在决策的时候采取合适的行动 (Action) 使最后的奖励最大化。与监督学习预测未来的数值不同，强化学习根据输入的状态（如当日开盘价、收盘价等），输出系列动作（例如：买进、持有、卖出），使得最后的收益最大化，实现自动交易。
OpenAI Gym 股票交易环境观测 Observation
策略网络观测的就是一只股票的各项参数，比如开盘价、收盘价、成交数量等。部分数值会是一个很大的数值，比如成交金额或者成交量，有可能百万、千万乃至更大，为了训练时网络收敛，观测的状态数据输入时，必须要进行归一化，变换到 [-1, 1] 的区间内。
动作 Action
假设交易共有买入、卖出和保持 3 种操作，定义动作(action)为长度为 2 的数组
action[0] 为操作类型；
action[1] 表示买入或卖出百分比；
注意，当动作类型 action[0] = 3 时，表示不买也不抛售股票，此时 action[1] 的值无实际意义，网络在训练过程中，Agent 会慢慢学习到这一信息。
奖励 Reward
奖励函数的设计，对强化学习的目标至关重要。在股票交易的环境下，最应该关心的就是当前的盈利情况，故用当前的利润作为奖励函数。即当前本金 + 股票价值 - 初始本金 = 利润。
# profits reward = self.net_worth - INITIAL_ACCOUNT_BALANCE reward = 1 if reward > 0 else reward = -100
为了使网络更快学习到盈利的策略，当利润为负值时，给予网络一个较大的惩罚 (-100)。
策略梯度
因为动作输出的数值是连续，因此使用基于策略梯度的优化算法，其中比较知名的是 PPO 算法，OpenAI 和许多文献已把 PPO 作为强化学习研究中首选的算法。PPO 优化算法 Python 实现参考 stable-baselines。
环境安装
# 虚拟环境
virtualenv -p python3.6 venv source ./venv/bin/activate # 安装库依赖 pip install -r requirements.txt
股票数据获取
股票证券数据集来自于 baostock，一个免费、开源的证券数据平台，提供 Python API。
>> pip install baostock -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host pypi.tuna.tsinghua.edu.cn
数据获取代码参考 get_stock_data.py
>> python get_stock_data.py
将过去 20 多年的股票数据划分为训练集，和末尾 1 个月数据作为测试集，来验证强化学习策略的有效性。划分如下
验证结果
单只股票
-
模拟实验
-
初始本金 10000
股票代码：sh.600036(招商银行)
训练集： stockdata/train/sh.600036.招商银行.csv
测试集： stockdata/test/sh.600036.招商银行.csv
模拟操作 20 天，最终盈利约 400
多只股票
-
选取 1002 只股票，进行训练，共计
盈利： 44.5%
不亏不赚： 46.5%
亏损：9.0%
股票 Gym 环境主要参考 Stock-Trading-Environment，对观测状态、奖励函数和训练集做了修改。
俺完全是股票没入门的新手，难免存在错误，欢迎指正！
数据和方法皆来源于网络，无法保证有效性，Just For Fun！
books 参考资料
-
最后
-
Y. Deng, F. Bao, Y. Kong, Z. Ren and Q. Dai, "Deep Direct Reinforcement Learning for Financial Signal Representation and Trading," in IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 3, pp. 653-664, March 2017.
Yuqin Dai, Chris Wang, Iris Wang, Yilun Xu, "Reinforcement Learning for FX trading"（http://stanford.edu/class/msande448/2019/Final_reports/gr2.pdf）
Chien Yi Huang. Financial trading as a game: A deep reinforcement learning approach. arXiv preprint arXiv:1807.02787, 2018.
Create custom gym environments from scratch — A stock market example（https://towardsdatascience.com/creating-a-custom-openai-gym-environment-for-stock-trading-be532be3910e）
notadamking/Stock-Trading-Environment（https://github.com/notadamking/Stock-Trading-Environment）
Welcome to Stable Baselines docs! - RL Baselines Made Easy（https://stable-baselines.readthedocs.io/en/master）
-
-
