看代码中v4版本即可
- 输入：尝试过各种各样的输入，除了基本的close price, open price, lowest price, highest price, 还有每天的成交量，成交金额，各种股票因子（均线等）, 但是从最后的实验结果看，以及为了模型对数据的依赖更简单（找完整的数据不容易，维护成本高），最后直接选择四个基本的价格指标也能达到比较好的 结果。另外一个我纠结了很久的问题是，一只股票使用一个模型还是沪市使用一个模型，然后深市使用一个模型，还是A股就使用一个模型。如果一个股票使用 一个模型，我的结果是训练误差可以很小，但是预测结果不好，也就是过拟合了呗，所以最后我的想法就是使用一个模型, 测试结果也是这样更好。
- 数据预处理：尝试过不做任何预测的数据输入，当然这时候预测的也就是价格的绝对值，意料之中，结果不尽人意。然后使用z-score进行了数据的归一化， 数据量较大的情况下，效果还是不错的。最后还尝试了每天相对昨天的变化率，这种预处理对于较小的数据集也能达到较好的结果，但是我理解这种处理 有一定的局限性，因为四种价格的关系会容易被破坏，z-score是可以保留的。所以我最后还是选择了z-score
- 目标函数：尝试了均方误差，直接预测价格，这种方式有点不太好，因为股票趋势更重要，而且训练出来的结果看上去总是学习到前一天的趋势，不能结合 前n天的趋势，导致预测的结果从图像看只是先前价格的平移。所以最后还是先尝试了分类的方法，直接预测涨跌，如果这个可以做好，预测价格绝对值应该 会变得相对容易，而且使用softmax做分类能将概率引入模型，还是很棒的。
- 模型：神经网络中对序列的建模大多使用RNN，我这里测试过LSTM和直接使用RNN，看上去差别不是很大，但是RNN比较容易产生梯度异常值，导致BP时常常产生NAN，所以就使用了LSTM
- 经验之谈：最后实验了这么多次，我觉得一个重要的认识，并不是每天都是可以预测的，因此不要期待训练误差可以非常小，而应该关注我们可以预测的那些天的误差达到 足够小，这点非常关键，如果可以完全预测，也就是完全可以用一个函数拟合，想想都不是很科学
- 一点点实现的细节：关于数据的shuffle，因为股票有些特殊性，每只股票都是相对独立的，把他们处理成模型要求的输入的格式， 我没有想到特别好的办法能shuffle整个数据集，完全打乱不同股票的数据，后又要不增加实现复杂性，所以我最后shuffle的处理只是对每一只股票的数据进行了 独立的shuffle，股票之间没有进行穿插shuffle.
- 我的数据全是存在本地mongodb上的，每天去更新，大概1G的数据量。训练时全部加载到内存，虽然一次加载预处理数据的时间较长，但是毕竟只是一次的计算， 后面不再更改，所以能提高训练时的速度。
- 在i5处理器无gpu的情况下训练，迭代一次，一只股票大概需要30s，4000只股票的话，算起来是没法让人接受的，把所有股票迭代一次需要20个小时左右。测试 一把1个月就over了
- 配置：CPU: i7, GPU: GTX1080，大约2秒迭代3次, 比上边的数据快了一个量级，只需要上边1/40的时间即可。不过我发现好像还是没有把gpu的性能全部 利用上，在部分环节还需要优化，尽量利用gpu时间
应该最关心结果到底怎么样
训练：置信度在95%概率以上时，正确率可以达到95%以上
测试：测试数据集的误差，基本和训练正确率接近，可以说是非常好了
股票实战：有点费时间，每天都只能测试一次，实话说，表现不是很出色，一方面是预测的涨跌错误，不过这个错误率可以接受，麻烦的是预测的涨，涨得有点
太少，利润过低。
- 训练时的性能优化, 把代码使用numpy的部分用tensorflow的函数替换, 可以更好利用GPU
- 训练时的数据shuffle问题，和训练集与测试集如何划分更为合理
- 尝试多目标训练，我觉得分类目标较经验误差目标能让模型学习特征的能力更强一些，但是也是有局限的，我们期待的不光是趋势的正确，还有趋势的大小 所以，可以尝试对目标训练
- 预测时间的选取，目前是选择预测第二天的收盘价，是不是可以预测第二天，第三天等的价格，让模型纳入的信息更多
- 实操策略，股票市场必须是当天买了，第二天才能卖出，因此为了规避风险，最好是在当天收盘时预测第二天价格，然后在收盘时进行交易。但是买入后， 卖出时间点的选择需要更多尝试，是固定时间点卖出还是价格事件触发卖出。