本次实战代码仍是在之前基础上进行了一些修改。之前只在一支股票上进行训练，这次我将模型放在多支股票上训练，并在多支股票上进行了测试。对于多支股票的训练策略，没有参考过别人的训练方案（做这个的比较少）。我按自己的理解去训练，每一轮训练，都将每支股票从头到尾走一次。核心代码如下：
结果：
股票1：
不加均线的回测结果：
加均线的回测结果：
股票2：
不加均线的回测结果：
加均线的回测结果：
股票3：
不加均线的回测结果：
加均线的回测结果：
从上图可以发现，加了均线系统限制股票买卖效果不一定好，但是可以从一定程度上规避风险。在下跌趋势比较明显的股票中，均线系统能够很好的保护账户，减少损
2022-03-15 13:11:29
325KB
1
对于DQN的理论知识，这里不再赘述，不懂的同学可以看之前的强化学习理论篇或自行上网搜索相关资料。
废话不多说直接上代码。
DQN类
首先定义了一个DQN类（这个定义参考了莫烦的代码 [1]，几乎与其一致，做了简单修改）。下面简单的说明一下，代码中的核心部分。详细介绍可以看莫烦教学视频或者结合代码自己理解。
class 中包含了5个主要模块，分别是__init__ (初始化)，_build_net（网络构建），store_transition（储存过去操作），choose_action（根据状态选择动作），learn（网络学习）。
_build_net：构建了两个结构相同网络eval_net和
2022-03-15 13:10:50
1.01MB
1
与上一篇文章相同之处
对于交易策略，与上一篇文章相同，当发出买入指令时，一次性全部买入；当发出卖出指令时，一次性全部卖出。还没有添加加减仓操作。
模型仍然用的是DQN模型。
新增内容
在之前的基础上加入了交易手续费、印花税等。
在强化学习这个领域中，reward函数是一个需要精心设计的函数。目前暂时没有好的reward设计思路，但还是修改了之前的reward函数。（其实之前的reward的设计也是错的）
首先将第二天的股票价格的涨跌幅当做reward。
reward =(self.trend[self.t + 1] - self.trend[self.t]) / self.trend[self
2022-03-15 13:07:50
279KB
1
Quotes
Python编写的股票行情分析软件，数据来源网易及TuShare，界面采用Pyqt，所有界面采用扁平化可拉伸设计
登录界面：
主界面：
K线：
按照日期查询：
论坛数据爬虫归并统计：
2022-03-14 09:47:25
2.33MB
1
中国股票型开放式基金业绩持续性实证研究，王栋，，本文采用基于横截面回归的参数检验方法和基于CPR、Z检验等双向表检验方法对我国2003年底之前上市的40只股票型开放式基金业绩持续性�
2022-03-13 15:13:07
286KB
1