卷积神经网络多通道分析，卷积神经网络加持优化

卷积神经网络多通道分析，卷积神经网络加持优化第二位 落雁——王昭君第一位 沉鱼——西施卷积神经网络的结构模仿了眼睛的视觉神经的工作原理。对于眼睛来说，大量的视觉神经分工协作，各自负责一小部分区域的视觉图像，再将图像的各种局部特征抽象组合到高层的视觉概念，传送到大脑使人类产生视觉。卷积神经网络也是类似，它包含了至少一层卷积层，由多个卷积核对图像的局部区域进行特征提取，最后进行合成。卷积层进行特征提取，池化层进行特征降维以防止过拟合。特征和标签提取 ：计算7个因子作为样本特征；计算第2日的个股收益，极值处理后分成20类作为标签。特征预处理 ：进行缺失值处理；去掉特征异常的股票，比如某个特征值高于99.5%或低于0.5%的；标准化处理，去除特征量纲/数量级差异的影响。序列窗口滚动 ：窗口大小设置为5，滚动切割。搭建CNN模型 ：构建一个简单的两层一维卷积神经网络预测股票价格。经过神经网络加持优化的高窄旗模式，我们用最新的数据进行挖掘。发掘

今日核心观点-两窄旗模式，卷积神经网络加持优化

最近一段时间，一直在研发高窄旗模式，上周完成了图像模式的拟合，选出最符合高窄旗模式的A股。

在完成基本的拟合图像匹配的情况下，我们一直在进行模式优化，我们在量化研究过程中发现，对于偏离10日线较大的偏离度的，是要慎重选择的。

如何更加精准的发挥高窄旗模式的优势，使之成为一个锋利的矛，是我一段时间以来思考的方向。我们将卷积神经网络CNN对高窄旗模式进行加持，CNN对时间序列处理产生令人惊喜的效果。

卷积神经网络的结构模仿了眼睛的视觉神经的工作原理。对于眼睛来说，大量的视觉神经分工协作，各自负责一小部分区域的视觉图像，再将图像的各种局部特征抽象组合到高层的视觉概念，传送到大脑使人类产生视觉。卷积神经网络也是类似，它包含了至少一层卷积层，由多个卷积核对图像的局部区域进行特征提取，最后进行合成。卷积层进行特征提取，池化层进行特征降维以防止过拟合。

特征和标签提取 ：计算7个因子作为样本特征；计算第2日的个股收益，极值处理后分成20类作为标签。特征预处理 ：进行缺失值处理；去掉特征异常的股票，比如某个特征值高于99.5%或低于0.5%的；标准化处理，去除特征量纲/数量级差异的影响。序列窗口滚动 ：窗口大小设置为5，滚动切割。搭建CNN模型 ：构建一个简单的两层一维卷积神经网络预测股票价格。

经过神经网络加持优化的高窄旗模式，我们用最新的数据进行挖掘。发掘出以下几个是匹配度最好的A股，我贴出来，接受广大读者的共同验证，热烈欢迎所有理性的交流和技术探讨。

第一位 沉鱼——西施

第二位 落雁——王昭君

第三位 闭月——貂蝉

第四位 羞花——杨玉环