神经网络是一种在机器学习中比较常见的算法模型，它的算法结构就类似于人脑中的神经元结构，只要给定一些输入，就可以得到输出；那么我们是否能够将与股票历史价格相关的指标作为输入，将股价涨跌作为输出，进而利用神经网络预测股市涨跌呢？
1、确定网络输入因子
为了验证我们的想法，首先需要明确将哪些指标作为输入。在这里，我们通过聚宽量化平台的数据接口获取因子库中的技术指标因子，因子信息如下：
2、确定网络输出
在输出层，我们可以将股价的日收益率的正负标记为+1和-1，在这里，由于A股无法做空，因此暂且不考虑卖空所获得的收益，为方便最后计算资产价值曲线，将-1转变为0。
下图为输入与输出合并后的部分数据集：
3、确认训练集和验证集
训练集可以被看作是高考前做的模拟卷，模型通过训练集不断进行学习以及修正；验证集可以被看作是高考卷，模型需要通过验证集验证自身的真实能力。在这里，我们选取贵州茅台2018-01-01～2019-01-01的日行情数据作为训练集，2019-01-01～2019-06-01作为验证集。
4、构建神经网络模型
首先，我们需要对输入因子进行标准化处理。在这里，我们利用sklearn包中的Standardscaler进行数据标准化。
进一步，设定神经网络模型参数并进行训练：
5、利用训练好的模型进行预测并绘制资产价值曲线
- 训练集的资产价值曲线（2018-01-01～2019-01-01）
从下图（蓝色为基准线）中可以看出，在训练集中模型的预测效果表现较好，也就是说在模型所见过的数据中表现较好，策略价值曲线的波动率明显小于基准线，并在2018下半年的大跌行情中走出逆势而上的形态，最终一年共获得30%以上的收益。当然，训练集的表现可不能当真，让我们来看看模型在验证集中的表现。
- 验证集的资产价值曲线（2019-01-01～2019-06-01）
下图表示2019年上半年的策略价值曲线与基准线，从图中可以看出，策略价值曲线虽然获得了10%的收益率，但其所取得的收益率远远没有基准线高，这种情况差不多是踏空了，唯一令人欣慰的是其收益率的波动率很低，风险较小。
6、总结
在上述的条件下，我们发现神经网络并不能很好的预测股市涨跌。这主要是因为我们所选取的因子基本上是技术指标因子，而技术指标因子仅仅反映了历史股价和成交量的信息，而影响股市涨跌的影响因素实在是太多了，我们只考虑了其中一部分的因子。另外，因子之间在预测效果上是有差异的，这里我们并没有对这一点进行筛选，预测效果差的因子混杂在其中当然造成预测效果变差。这就类似于做质量差的题对成绩有害无益。另外，因子之间的相关性对于模型在验证集的表现有很大影响，因为如果因子之间的相关性很高，可能会使模型过分挖掘训练集数据之间的规律，而这些规律很可能仅仅只存在与训练集中，这也被称作过拟合，一旦模型出现过拟合，一般会表现为在训练集的预测效果很好，而到了验证集模型的准确性就会急剧下降。
若有疑问可关注公众号“TES工作室”进行咨询。
出品/TES工作室