示例工程【免费下载链接】Stock-Prediction-ModelsGathers machine learning and deep learning models for Stock forecasting including trading bots and simulations项目地址https://gitcode.com/gh_mirrors/st/Stock-Prediction-Models点击查看免费下载本篇技术指南聚焦 Stock-Prediction-Models 仓库中的realtime-agent模块讲解如何将 agent 目录下的 Evolution Strategy 交易 Agent 训练成一个实时数据进、交易决策出的在线交易服务先在多只股票上离线训练一个不依赖反向传播的神经网络交易策略再把训练好的模型序列化为model.pkl最终通过 Flask 暴露成 HTTP 接口供 websocket、行情 API 等任意实时数据源逐笔调用。读完本文你将掌握该模块从数据准备、多股票轮训、模型导出到 Flask 服务启动与客户端接入的完整实战链路并理解其窗口状态构造、三动作决策与收益奖励函数等底层实现细节。一、realtime-agent 模块概览与设计思路realtime-agent是仓库中面向实时交易的落地模块其核心思路一句话可以概括为把离线强化学习训练出的交易策略封装成一个无状态依赖的 HTTP 服务。整个模块的文件组成如下均位于 realtime-agent 目录文件作用realtime-evolution-strategy.ipynb训练 notebook多股票轮训 Evolution Strategy 交易模型并导出model.pklapp.pyFlask 服务端加载model.pkl对外提供/trade、/balance等接口request.ipynb客户端示例用requests库逐条喂入实时行情并读取交易指令model.pkl训练好的模型权重Model类实例TWTR.csv、GOOG.csv、FB.csv、LB.csv、MTDR.csv、CPRT.csv、FSV.csv、TSLA.csv、SINA.csv、GWR.csv、AMD.csv、LYFT.csv训练与回测用的股票历史数据含Date / Open / High / Low / Close / Adj Close / Volume字段1.1 与 Evolution Strategy Agent 的关系如 realtime-agent/README.md 所述this model based on evolution-strategy即本模块是对 agent/6.evolution-strategy-agent.ipynb 的实时化改造。二者的差别在于离线版本在单只股票上完成训练与回测输出买卖信号图实时版本用同一套Deep_Evolution_StrategyModelAgent代码在多只股票上轮流训练同一个模型以覆盖更多随机形态然后把模型权重存盘交给 Flask 进程常驻运行。这一设计使得训练notebook 一次性完成与推理app.py常驻彻底解耦服务进程不需要任何训练依赖只需加载权重即可逐笔决策。二、训练阶段多股票轮训一个 Evolution Strategy 交易模型2.1 训练数据与股票清单README 明确给出了作者训练时使用的股票清单[TWTR.csv, GOOG.csv, FB.csv, LB.csv, MTDR.csv, CPRT.csv, FSV.csv, TSLA.csv, SINA.csv, GWR.csv]而在 realtime-evolution-strategy.ipynb 的实际训练代码中是通过os.listdir自动收集目录下所有 CSV排除用于测试的TWTR.csv得到的因此实际参与轮训的还包括AMD.csv与LYFT.csvstocks [i for i in os.listdir(os.getcwd()) if .csv in i and not TWTR in i] stocks # [CPRT.csv, AMD.csv, GWR.csv, MTDR.csv, GOOG.csv, TSLA.csv, # FSV.csv, LB.csv, FB.csv, SINA.csv, LYFT.csv]关键设计TWTR.csv被特意排除在训练集外只用作测试/实时演示数据以此检验模型对未见过的股票的泛化能力。README 同时建议You might want to add more to cover more stochastic patterns——即可以继续补充更多股票 CSV 来覆盖更丰富的随机形态提升模型的鲁棒性。2.2 核心超参数训练代码中先集中定义了一组超参数realtime-evolution-strategy.ipynb 第 11 个 cellskip 1 layer_size 500 output_size 3 window_size 20同时Agent类内部还定义了 Evolution Strategy 的优化超参数与 app.py 中一致class Agent: POPULATION_SIZE 15 SIGMA 0.1 LEARNING_RATE 0.03各参数含义与取值说明参数取值含义window_size20决策时回看的滑动窗口长度天只有队列攒满 20 个数据点后才开始交易skip1遍历时间序列时的步长取 1 表示逐日评估layer_size500隐藏层神经元数量模型结构为单隐藏层全连接网络output_size3输出动作数0持有不动、1买入、2卖出POPULATION_SIZE15每代随机扰动的种群个体数SIGMA0.1权重扰动噪声标准差控制探索强度LEARNING_RATE0.03权重更新步长2.3 状态空间构造从行情到特征向量get_state函数负责把最近window_size个数据点转换成模型输入。以parameters [Close 序列, Volume 序列]为例每个序列在窗口内生成两类特征realtime-evolution-strategy.ipynb一阶差分block[i1] - block[i]共window_size - 1 19个刻画序列的短时变化相对窗口首值block[i] - block[0]共 19 个刻画序列相对窗口起点的累积偏移。因此每个序列输出 38 维两个序列合计 76 维。notebook 中 Our output size fromget_stateis 38 指的是单个序列的状态维数。随后Agent.get_state还会拼接 3 个账户维度app.py 第 241-253 行len_inventory当前持仓数量z_inventory持仓均价的 z-score相对 Close 序列的均值与标准差z_capital剩余资金缩放后的 z-score。最终输入维度为76 3 79与 notebook 执行结果input_size 79完全一致。若想加入更多列如 Open、High、Low只需把对应序列加进parameters列表并同步调整input_size这一点在 notebook 中也有明确说明you can choose any parameters you want from your DataFrame。2.4 多股票轮训循环训练循环的核心逻辑realtime-evolution-strategy.ipynbmodel Model(input_size input_size, layer_size layer_size, output_size output_size) agent None for no, stock in enumerate(stocks): print(training stock %s%(stock)) df pd.read_csv(stock) real_trend df[Close].tolist() parameters [df[Close].tolist(), df[Volume].tolist()] minmax MinMaxScaler(feature_range (100, 200)).fit(np.array(parameters).T) scaled_parameters minmax.transform(np.array(parameters).T).T.tolist() initial_money np.max(parameters[0]) * 2 if no 0: agent Agent(model model, timeseries scaled_parameters, skip skip, initial_money initial_money, real_trend real_trend, minmax minmax) else: agent.change_data(timeseries scaled_parameters, skip skip, initial_money initial_money, real_trend real_trend, minmax minmax) agent.fit(iterations 100, checkpoint 10) print()要点数据预处理使用MinMaxScaler(feature_range(100, 200))将Close与Volume同时缩放到[100, 200]区间这样资金与价格处于同一量纲initial_money 最大收盘价 × 2保证初始资金足以买至少 2 个单位。同一模型、不同数据第一只股票创建Agent后续股票通过agent.change_data(...)切换数据内部调用_initiate()重置inventory、capital、queue但模型权重持续保留并在上一只股票的基础上继续进化——这就是用一个模型覆盖多只股票随机形态的机制。训练代数每只股票训练iterations 100每 10 代打印一次 reward。notebook 中记录的实测日志显示单只股票训练约耗时 1619 秒例如 CPRT 从-1.25进化到30.14AMD 最高到55.36而 FB 全程为负-28.70→-17.51。notebook 对此给出了明确提示If you saw the whole training session on certain stocks are negatives (like FB), means that, that stock markets are losing very bad——即该股票区间整体下跌策略自然难以盈利这是市场环境所致并非训练错误。2.5 奖励函数交易收益率与资金增长率Agent.get_rewardapp.py 第 255-282 行定义了个体的适应度用于指导权重进化invests np.mean(invests) # 每笔卖出的平均收益率% if np.isnan(invests): invests 0 score (starting_money - initial_money) / initial_money * 100 # 资金增长率% return invests * 0.7 score * 0.3即奖励 平均单笔收益率 × 0.7 总资金增长率 × 0.3更看重每笔交易的质量而非单纯的总收益。Deep_Evolution_Strategy.train则通过(rewards - mean) / (std 1e-7)对群体奖励做标准化后按如下公式更新权重weights weights learning_rate / (population_size * sigma) * dot(A.T, rewards).T其中A为群体扰动矩阵本质是 OpenAI ES 风格的无梯度策略进化。2.6 导出模型训练与测试agent.buy()会在测试集上打印逐日买卖指令与 softmax 概率并画出买入/卖出信号图完成后用深拷贝 pickle 导出权重import copy import pickle copy_model copy.deepcopy(agent.model) with open(model.pkl, wb) as fopen: pickle.dump(copy_model, fopen)注意使用copy.deepcopy隔离训练中的模型对象确保导出的权重是稳定的快照。三、部署阶段用 Flask 将模型做成实时交易服务3.1 启动服务训练并导出model.pkl后直接在 realtime-agent 目录下运行README 明确给出的命令python3 app.py预期输出* Serving Flask app app (lazy loading) * Environment: production WARNING: This is a development server. Do not use it in a production deployment. Use a production WSGI server instead. * Debug mode: off * Running on http://0.0.0.0:8005/ (Press CTRLC to quit)服务默认监听0.0.0.0:8005。README 特别提示了 Flask 开发服务器的警告——该服务适合作为原型/内部实时策略服务若用于生产环境应替换为 gunicorn 等生产级 WSGI 服务器。3.2 启动时的全局初始化app.py在加载模型后会做一次初始化realtime-agent/app.py 第 342-357 行with open(model.pkl, rb) as fopen: model pickle.load(fopen) df pd.read_csv(TWTR.csv) real_trend df[Close].tolist() parameters [df[Close].tolist(), df[Volume].tolist()] minmax MinMaxScaler(feature_range (100, 200)).fit(np.array(parameters).T) scaled_parameters minmax.transform(np.array(parameters).T).T.tolist() initial_money np.max(parameters[0]) * 2 agent Agent(model model, timeseries scaled_parameters, skip skip, initial_money initial_money, real_trend real_trend, minmax minmax)注意app.py用TWTR.csv来拟合MinMaxScaler并确定初始资金因此训练与部署时的特征缩放必须保持一致同样的feature_range(100, 200)与同样的特征列。如需切换交易标的应同步修改这里的参考数据文件并使用change_data或直接替换 CSV。3.3 路由一览app.py共注册了 6 个 GET 接口路由参数返回内容/无{status: OK}健康检查/balance无当前剩余资金agent._capital/inventory无当前持仓列表缩放后的买入价/queue无当前滑动窗口队列缩放后的[close, volume]序列/tradedataJSON 数组字符串本次交易决策结果/resetmoneyJSON 数字重置资金与持仓返回true3.4/trade的决策流程/trade是核心接口其处理逻辑为realtime-agent/app.py 第 379-382 行app.route(/trade, methods [GET]) def trade(): data json.loads(request.args.get(data)) return jsonify(agent.trade(data))Agent.trade的内部流程第 159-221 行输入约束data必须形如[close, volume]源码 docstring 明确要求 you need to make sure the data is [close, volume]缩放用minmax.transform将原始行情缩放到[100, 200]同时保留real_close用于真实资金结算维护队列把缩放后的数据推入_queue若队列长度已达window_size 20则先弹出最旧的数据FIFO数据不足判定若len(_queue) window_size直接返回{status: data not enough to trade, action: fail, ...}——这是首次调用最常见的返回需要连续喂入至少 20 个数据点后才会开始真正决策构造状态并推理用get_state构造 79 维输入经model.predict得到 3 维 logitsact_softmax返回argmax动作与 softmax 概率执行动作action 1且缩放后资金充足 → 买入 1 单位返回{action: buy, status: buy 1 unit, cost %f, balance: ...}action 2且有持仓 → 卖出 1 单位FIFO 出仓计算investment收益率百分比与gain盈亏额返回{action: sell, ...}其余情况 → 返回{action: nothing, status: do nothing, ...}。每次调用都会附带timestamp字段datetime.now()字符串便于审计与回放。README 中给出的响应示例{action: sell, balance: 971.1199990000001, investment: 10.224268 %, status: sell 1 unit, price 16.709999, timestamp: 2019-05-26 01:12:10.370206} {action: nothing, balance: 971.1199990000001, status: do nothing, timestamp: 2019-05-26 01:12:10.376245}3.5 其他辅助接口/balance返回agent._capital真实资金用于监控账户状态/inventory返回缩放后的持仓价列表可据此判断当前仓位/queue返回当前滑动窗口内的数据点可用于调试状态构造/resetrequests.get(http://localhost:8005/reset?money100)可重置资金并把_queue、_inventory清空开启新一轮交易会话。四、客户端接入curl 与 request.ipynb4.1 一行 curl 发起交易README 给出的最小示例curl http://localhost:8005/trade?data[13.1, 13407500]其中data即[close, volume]。若服务端队列尚未攒满 20 个点会返回data not enough to trade攒满后则返回buy / sell / nothing之一的决策 JSON。4.2 request.ipynb 完整接入流程request.ipynb 演示了用 Python 客户端模拟每日新增一条行情的接入方式整体分三步第 1 步准备实时数据。以TWTR.csv作为实时数据源README 注明 every request means new daily data即每个请求代表一天的新数据df pd.read_csv(TWTR.csv) close df[Close].tolist() volume df[Volume].tolist()第 2 步查询余额。用/balance获取当前资金确认初始资金定义源码中为initial_money max(Close) * 2也可通过/reset?money...覆盖requests.get(http://localhost:8005/balance).json() # 93.51999599999999第 3 步逐条喂入数据并读取决策。将[close, volume]序列化为 JSON 字符串后拼进 URLimport json data json.dumps([close[0], volume[0]]) # [33.419998, 13407500] requests.get(http://localhost:8005/trade?data data).json() # {action: fail, balance: 93.51999599999999, # status: data not enough to trade, timestamp: 2019-08-31 02:40:10.625022}批量循环喂入 200 个数据点for i in range(200): data json.dumps([close[i], volume[i]]) requested requests.get(http://localhost:8005/trade?data data).json() print(requested)从输出可以看到前 19 个请求全部返回action: fail队列未满第 20 个数据点开始出现真正的买卖指令如buy 1 unit, cost 44.950001、sell 1 unit, price 44.259998等之后模型依据窗口内行情持续给出buy / sell / nothing决策。这就是window_size 20语义的直接体现回看 20 个历史数据点后才开始交易request.ipynb 中有明确说明 atleast same as window_size size ... it only look back 20 historical data to trade。4.3 自定义参数接入的注意事项request.ipynb 特别强调了两点当前训练/部署只用到了Close与Volume两个特征所以请求数据必须严格为[close, volume]若要使用其他特征如 Open、High、Low需要同步修改训练代码中的parameters列表、app.py中的缩放器拟合逻辑以及请求格式本模块把 CSV 当作逐日新增的实时数据来驱动README 的 Notes 进一步指出可以把这个代码与实时 socket 或任意行情 API 集成让数据源从读文件变成监听推送即可落地成真正的实时交易流水线。五、集成扩展接入实时行情源README 的 Notes 给出了明确的扩展方向You can use this code to integrate with realtime socket, or any APIs you wanted, imagination is your limit now.具体来说将/trade调用嵌入到数据消费循环中即可完成实时化WebSocket / FIX 行情流在行情回调中把[close, volume]组装成 JSON调用/trade拿到action后对接券商下单 API定时轮询行情 API定时拉取最新 K 线并喂给/trade多标的轮询对每个标的维护独立的Agent实例或复用change_data切换参考数据实现多股票实时监控。由于服务端状态_queue、_inventory、_capital完全保存在Agent实例内存中客户端只需保证按时间顺序、逐条提交即可接入成本极低。六、关键源码速查以下文件路径供深入阅读时直接定位服务端实现realtime-agent/app.pyget_state状态构造见第 25-40 行Agent.trade见第 159-221 行get_reward见第 255-282 行路由注册见第 359-389 行训练 notebookrealtime-agent/realtime-evolution-strategy.ipynb多股票轮训见第 12 个 cell模型导出见第 19 个 cell客户端示例realtime-agent/request.ipynb/trade循环喂数据见第 7 个 cell离线版算法出处agent/6.evolution-strategy-agent.ipynb数据文件TWTR、GOOG、FB、LB、MTDR、CPRT、FSV、TSLA、SINA、GWR、AMD、LYFT 等 CSV 均位于 realtime-agent 目录七、使用前提与注意事项运行环境需要 Python 3 与 Flask、numpy、pandas、scikit-learnMinMaxScalernotebook 元数据显示开发环境为 Python 3.6.8特征一致训练、缩放器拟合、请求数据三者必须保持[close, volume]的两特征格式一致否则推理结果会失真冷启动窗口服务启动后需喂满 20 个数据点才会出决策这是window_size20的设计使然并非故障单笔交易约束模型每次最多买卖 1 个单位与仓库 README This agent only able to buy or sell 1 unit per transaction 一致资金不足时会静默转为nothing因此初始资金应覆盖至少 2 个单位的买入成本回测结果仅代表历史区间notebook 中出现的负收益如 FB、LB是相应股票在训练区间内走势疲弱所致不代表策略在任意市场环境中都能盈利实盘前应充分回测与风控。赞分享示例工程【免费下载链接】Stock-Prediction-ModelsGathers machine learning and deep learning models for Stock forecasting including trading bots and simulations项目地址https://gitcode.com/gh_mirrors/st/Stock-Prediction-Models点击查看免费下载相关推荐深入理解TikTokLive架构WebSocket通信与Protobuf协议解析深入理解TikTokLive架构WebSocket通信与Protobuf协议解析 TikTokLive是一个强大的Python库能够实时接收TikTok直播后端上一篇雀魂牌谱屋给麻将爱好者的免费数据体检报告5分钟看懂你的真实牌力下一篇PS3手柄蓝牙驱动BthPS3完整上手攻略3步让DualShock 3无线连上Windows创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考