高频买卖经常被提起，却始终蒙着一层奥秘面纱，似乎那只是金字塔尖那一小撮人的玩物。今日咱们就从期货高频数据下手，去揭开奥秘面纱的一角，并测验搭建神经网络模型对高频数据进行猜测，抛砖引玉，期望能让对金融数据剖析，量化买卖，人工智能感兴趣的朋友有所收成。咱们现已将本文的悉数源数据+源代码+python环境打包好，做到开箱即用， 文末有获取方法，欢迎咱们下载自己着手继续学习和研究。
先看咱们最终的模型成果，在练习集和测验集上的表现：
下面开端探究数据。
买卖时刻
以本文要研究的螺纹钢（RB）为例， 与股票不同，期货不仅在工作日白日买卖，很多品种还有夜盘， 每个买卖日便是从夜盘开端计算的。
行情频率
期货的实时行情频率为2笔/秒， 一个小时7200笔， 全天便是7200*5.75= 41400笔 咱们有个概念就好，便是期货Tick高频数据，一个期货合约全天快照的数据量是4万多笔。当然这是理论值，实际情况因为各种原因吧，咱们拿到的数据实际上会略少有理论值，但基本都在4万条左右。 咱们统计一下2023.02.06–2023.02.10这一周内RB2305这个合约每天的快照数量。能够看到和理论值是很接近了。
今日咱们就以RB2305在2023.02.06-2023.02.07这两天的数据作为咱们的剖析方针，共82000多条记载。对于一个数据剖析入门来说，这现已是不小的数据量了， 跟着咱们才能的提升，后边会从合约数量和时刻长度的维度进行更大数据量的扩展。
看看原始数据结构
字段含义
为了更便利进行剖析和练习，咱们把原始tick数据组成固定频率的规范K线数据。 pandas的resample函数能够很便利地进行时刻频率的转化，下面代码就能够进行数据转化（本文以10s为例，咱们能够自己测验其他频率的数据），不同字段的组成规矩略有不同。
计算K线的对数收益率：
10秒频率相对于2笔/秒的原始数据，时刻间隔放大了20倍， 数据量就小了20倍，所以组成后的K线数据共计4000多条。
组成后的K线数据如图所示
咱们用mplfinance库对组成后的K线数据绘图，上方主图是价格（Price）走势，下方副图是成交量（Volume）：
K线对数收益率的散布图：
下面咱们用这个组成后的10秒K线数据进行LSTM神经网络练习。 LSTM(Long Short Term Memory) 长短周期回忆神经网络是循环神经网络RNN的一种， 也是具有循环神经网络的链式结构， 一般用于时刻序列的猜测。模型的原理咱们放在后边文章来讨论，本文咱们先用Pytorch构建一个简略的LSTM网络，在练习和参数调整的进程中去学习和体会模型。 任何模型练习，首先要选择特征和方针。 本次练习咱们选取的特征是最新价(Close)， 开盘价（Open）, 成交量（Volume）
练习方针是猜测1分钟后的价格， 将1分钟后的价格数据和当前时刻点的特征数据对齐，便利后续处理。
数据预处理
1）规范化
咱们使用sklearn的MinMaxScaler 分别对特征（data）和方针（label）进行规范化。
2）时刻序列转化
RNN的输入是特征数据的时刻序列，根据指定的时刻序列长度（seq_length），咱们把规范化后的特征和标签数据进行转化，使其满意网络的输入格局要求。
3）练习集，测验集数据拆分
根据指定的练习数据比例（split_ratio）, 将转化后的数据拆分红练习集和测验集，并转化为torch的Variable格局。
4） 装入DataLoader
把练习数据和测验数据分别载入DataLoader, 构建train_loader和test_loader，便利后续的模型练习
模型构建
下面构建一个简略的LSTM网络
模型参数
练习模型
练习进程的丢失函数变化如下
模型评价
下图是残差散布，能够看到测验集和练习集的残差大部分散布是[-10,10]的区间内，测验集的残差波动略大于练习集，总体上仍是契合咱们的预期。
当然这只是拿小数据量在小模型上的一次测验，目的仍是让咱们熟悉一下数据处理和模型的构建流程。假如要据此构建能够买卖的量化模型，还有很长的路要走，后边我会陪着咱们在这条路上一步步地向前走，和咱们共同生长。
我现已将本文用到的悉数源数据+源代码+Python环境打包好了，做到开箱即用，一键运转，感兴趣的朋友能够下载，自己测验不同的参数和特征，自己多着手才是学习的最佳途径。
重视同名大众号可获取源数据下载地址，感谢您的支撑！
