导语说明：重要的事情说三遍，这是一篇付费策略的详细报告！这是一篇付费策略的详细报告！这是一篇付费策略的详细报告！ 1为人，1为人工智能，二者结合如虎添翼。
训练深度学习模型在确定了策略方法后，下一步就是如何来实现选股。这几年人工智能不断兴起，各个行业都在涌入、拥抱人工智能，当下人工智能最核心的技术基础就是深度学习。目前市面上能看到的基于深度学习的策略大多都是将股票数据看成有联系的序列，借助LSTM网络记忆能力，不断给LSTM网络喂入这些多维度的数据，希望能顺势预测出股票后期的走势。然而这些数据之间的特征联系并不清楚，过多的噪声并不能训练出具备操作能力的模型。因此，我们借助的是CNN网络，利用深度学习在图像处理方面的强大能力，通过给CNN模型输入我们确定的强势股的股票走势图，训练出可识别这些强势股的特征的模型。

我们将强势股分为2类(一开始的时候我们是分了3类的，但第3类在做了100多个训练样本之后发现上涨趋势并不稳定，所以去掉第3类，只保留2类强势股)，每一类都有固定统一的可识别的特征。这样我们就将选股问题变成了分类问题，在用模型进行测试选股时，大部分股票是不在这两类里面的，所以我们在训练模型的时候还要准备负样本，负样本的多样性决定了模型最终分类的准确性。这样模型的输入数据就变成了三种类型，在制作训练样本时，考虑到卷积核采样的缘故，将图像的大小设成32的整数倍可以避免不必要的麻烦，我们都统一设成224*224的尺寸。为了保持训练样本的独立性，不与后续测试有重复的日期的股票出现，同时检验策略的时效性、适用性，在制作训练样本时，我们统一从1996年到2013年之间选择股票代码是000001-000996、600001-600999之间随机选取了100多只个股满足上述走势的走势图作为训练模型的样本。最终，我们制作了类别1样本373个，类别2样本433个，考虑到样本数量的均衡性对模型的影响和负样本的多样性，类别3（负样本）样本取了500个。在选择深度学习网络时，我们选择了Resnet101网络（深度学习相关的专业知识不在本篇文章的说明范围，需要学习的读者可以自行查找资料学习），Resnet101网络在各种图像分类任务中已经展现出良好的测试效果，并广泛应用于目标检测算法中。

下图是训练样本走势的一个示意图，每个类别（正样本）都有两个特征，特征1的位置就是买入股票的时间节点，但是特征2的位置是不固定的，如果在选股测试时同时检测这两个特征，那就需要遍历从特征2到特征1时刻的所有走势图，单一时间节点全市场检测的图像数量将从3600多张上升到近80万张，而且大部分图像的测试是资源浪费。  
策略优化利用训练好的Resnet101模型，按照上述方法分别对2014.1--2014.7、2015.6.5-2015.12.25、2016.1-2016.12、2017、2018这四年时间进行了检测识别。
在这4个时间区域内，大盘处于常说的熊市，指数收益分别为：-3.26%、-29.54%、-12.3%、6.56%、-24.59%。为了控制交易的频率，我们每周末测试一次，符合策略的个股分布如下面左图所示，中间的时间轴将收益按照0隔开，0轴上方的就是收益大于零。在统计个股收益率时，收益率大于10%但没有达到卖出策略条件2和条件3时，计算的是所能达到的最大收益，为了能更直观的展示分布我们剔除了为数不多的最大收益大于40%的个股，最大收益率不大于10%同时满足卖出策略条件2或条件3时，计算卖出时的收益率。从分布图可以看出，**在所有满足策略的股票中，收益率大于0的占比60.86%；在收益率大于0的股票中，收益大于10%的股票占比达78.9%；收益率为负的大部分在-10%-0之间，符合多赚少亏的要求。**同时我们在统计分析的时候还发现，在这些收益率为负的一些个股中，有接近三分之一在持有过程中最大收益是大于5%的。
全文较多，详见附件。