金融人工智能：用Python实现AI量化交易

人工智能优先的金融

｜

161

test = df.iloc[split:]

pred = model.predict(test[cols])

acc = accuracy_score(np.sign(test[sym]), np.sign(pred))

print(f'DNN | {sym:10s} | acc={acc:.4f}')

DNN | AAPL.O | acc=0.5179

DNN | MSFT.O | acc=0.5598

DNN | INTC.O | acc=0.4821

DNN | AMZN.O | acc=0.4920

DNN | GS.N | acc=0.5179

DNN | SPY | acc=0.4861

DNN | .SPX | acc=0.5100

DNN | .VIX | acc=0.5378

DNN | EUR= | acc=0.4661

DNN | XAU= | acc=0.4602

DNN | GDX | acc=0.4841

DNN | GLD | acc=0.5378

CPU times: user 50.4 s, sys: 7.52 s, total: 57.9 s

Wall time: 32.9 s

弱式有效市场

尽管根据

弱式

有效市场的标签数据并没有证实统计失效，但仅依赖于时间序

列数据去证明统计失效本身就是十分困难的。在半强式有效市场的形式下，

可以加入其他公开市场数据以提升预测准确率。

实验结果似乎证明市场应该是弱有效的，但仅仅通过