炒股技巧 
技术指标 
炒股入门 
炒股专题
炒股问题 
外部文章 
网站首页模拟炒股实验报告(炒股软件)
本篇文章给大家谈谈模拟炒股实验报告，以及炒股软件的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
文章详情介绍：
模拟炒股，赚的盆满钵满，为啥一实盘交易，就亏得一塌糊涂？
不知道大家有没有这样的经历：模拟炒股能赚钱，但一到实战就亏损呢？
今天就同大家探讨一下，模拟盘和实战炒股，那个赢面更大？
1.心态变化：
玩股票模拟盘
因为是模拟的，所以模拟炒股，就操作盈亏而言，只是一个对自身而言无关轻重的游戏。并不会触动个人的切身利益。所以我们在建仓，平仓等操作时，更加遵守自己的投资逻辑，不太会违反规则，这种平和的心态更利于我们在市场的纷繁变化中保持理性和专业！
股票实战
一旦充钱入账，真枪实弹地入场炒股了，心态就不一样了。因为账户内金额的上下跳动，直接关系到我们的真金白银。
所以，便会额外关注证券账户的波动变化，一旦聚焦，或者过度关注，小小的一个跌幅，可能让我们心态变得特别不好。在不好的心态下，持续了一段时间后，我们就容易质疑自己的投资策略，往往就不太准守当初制定的投资准则，一旦操作情绪化，非理性地投资，炒股的赌性就显得很强，赌起来又喜欢梭哈，靠运气，就算几把下来都不输，只要一直赌下去，总有一把被套！
2.时间因素和随机性
玩模拟盘的目的一般是为实盘做准备的，很少有人只玩模拟盘，就是不实战的。这就造成了，模拟盘的操盘时间比较短，而实战持股时间比较长。而A股长期的状态就是牛短熊长，这样一来，一般实盘持仓的股民长期处在的熊市的这么个状态，受大背景影响账面不理想的概率是比较普遍的。
拿一个短期的模拟盘和一个长期持仓的实盘相比较，没有什么可比性，随机性太强了，可能恰恰模拟盘进场的时机特别好，所以账面很好看！
3.子弹数量
模拟盘一般模拟的可用资金数量是非常大的，而实战时，个人资金投入肯定是有限的，或者说是拮据的。
I）交易成本差异
这在大额交易时，会出现规模效应，就是大额交易更具有成本优势。例如，同样买招商银行股票（市价34元），税费啥的按3%%计算，模拟盘模拟本金有100万，假设买入1万股时交易费也才102元，但实盘时本金只有1万，只买1手，交易费就是1.02，但券商在收这类费用时，不足5元，按五元收取（费率来到14.71%%）。变相的，本金少的实盘交易成本就上升了，假如此时招行股票上涨4%%，账面上模拟盘已经翻红盈利，但实盘还处于亏损的状态。即从成本角度看，模拟盘更容易盈利，实战就难了！
II）多元化差异
模拟盘模拟的本金数量大，大可买入多只股票，形成多元化优势，这样一来，单只股票的下跌，可以通过别的股票的上涨来修复，使得整个股票账户账面上很好看。
但实盘交易时，因为资金不多，想要分散化，资金瘫倒每只股票上，这样除了交易成本高，即便选对股票，收益率很高，也因本金低，挣不了钱。集中资金买个别股票，股票账户的总体状况又容易受个股的波动而剧烈震荡，短期内出现巨亏的概率就会大大提高！
III）机会成本差异
还是模拟盘模拟的本金数量大，基本上模拟有本金100万，这样在买股票时，基本上不存在买不起的现象。而实战时则恰恰相反。
例如，贵州茅台，现在报价1300左右，买1手就要13万，实战操作时一般人是买不起的。同样是面对好的建仓机会，实战受限于子弹数量，往往只能眼睁睁地看着机会从身边溜走。正因如此，模拟盘相较于实战，具有更多的机会！
本文系【财经问投】原创，特此声明！
GitHub热门推荐：如何用深度强化学习自动炒股
初衷项目地址：
https://github.com/wangshub/RL-Stock
最近一段时间，受到新冠疫情的影响，股市接连下跌，作为一棵小白菜兼小韭菜，竟然产生了抄底的大胆想法，拿出仅存的一点私房钱梭哈了一把。
第二天，暴跌，俺加仓
第三天，又跌，俺加仓
第三天，又跌，俺又加仓...
一番错误操作后，结果惨不忍睹，第一次买股票就被股市一段暴打，受到了媳妇无情的嘲讽。痛定思痛，俺决定换一个思路：如何用深度强化学习来自动模拟炒股？ 实验验证一下能否获得收益。
监督学习与强化学习的区别监督学习（如 LSTM）可以根据各种历史数据来预测未来的股票的价格，判断股票是涨还是跌，帮助人做决策。
而强化学习是机器学习的另一个分支，在决策的时候采取合适的行动 (Action) 使最后的奖励最大化。与监督学习预测未来的数值不同，强化学习根据输入的状态（如当日开盘价、收盘价等），输出系列动作（例如：买进、持有、卖出），使得最后的收益最大化，实现自动交易。
OpenAI Gym 股票交易环境观测 Observation
策略网络观测的就是一只股票的各项参数，比如开盘价、收盘价、成交数量等。部分数值会是一个很大的数值，比如成交金额或者成交量，有可能百万、千万乃至更大，为了训练时网络收敛，观测的状态数据输入时，必须要进行归一化，变换到 [-1, 1] 的区间内。
动作 Action
假设交易共有买入、卖出和保持 3 种操作，定义动作(action)为长度为 2 的数组
action[0] 为操作类型；
action[1] 表示买入或卖出百分比；
注意，当动作类型 action[0] = 3 时，表示不买也不抛售股票，此时 action[1] 的值无实际意义，网络在训练过程中，Agent 会慢慢学习到这一信息。
奖励 Reward
奖励函数的设计，对强化学习的目标至关重要。在股票交易的环境下，最应该关心的就是当前的盈利情况，故用当前的利润作为奖励函数。即当前本金 + 股票价值 - 初始本金 = 利润。
# profits reward = self.net_worth - INITIAL_ACCOUNT_BALANCE reward = 1 if reward > 0 else reward = -100
为了使网络更快学习到盈利的策略，当利润为负值时，给予网络一个较大的惩罚 (-100)。
策略梯度
因为动作输出的数值是连续，因此使用基于策略梯度的优化算法，其中比较知名的是 PPO 算法，OpenAI 和许多文献已把 PPO 作为强化学习研究中首选的算法。PPO 优化算法 Python 实现参考 stable-baselines。
环境安装
# 虚拟环境
virtualenv -p python3.6 venv source ./venv/bin/activate # 安装库依赖 pip install -r requirements.txt
股票数据获取
股票证券数据集来自于 baostock，一个免费、开源的证券数据平台，提供 Python API。
>> pip install baostock -i https://pypi.tuna.tsinghua.edu.cn/simple/ --trusted-host pypi.tuna.tsinghua.edu.cn
数据获取代码参考 get_stock_data.py
>> python get_stock_data.py
将过去 20 多年的股票数据划分为训练集，和末尾 1 个月数据作为测试集，来验证强化学习策略的有效性。划分如下
验证结果
单只股票
-
模拟实验
-
初始本金 10000
股票代码：sh.600036(招商银行)
训练集： stockdata/train/sh.600036.招商银行.csv
测试集： stockdata/test/sh.600036.招商银行.csv
模拟操作 20 天，最终盈利约 400
多只股票
-
选取 1002 只股票，进行训练，共计
盈利： 44.5%
不亏不赚： 46.5%
亏损：9.0%
股票 Gym 环境主要参考 Stock-Trading-Environment，对观测状态、奖励函数和训练集做了修改。
俺完全是股票没入门的新手，难免存在错误，欢迎指正！
数据和方法皆来源于网络，无法保证有效性，Just For Fun！
books 参考资料
-
最后
-
Y. Deng, F. Bao, Y. Kong, Z. Ren and Q. Dai, "Deep Direct Reinforcement Learning for Financial Signal Representation and Trading," in IEEE Transactions on Neural Networks and Learning Systems, vol. 28, no. 3, pp. 653-664, March 2017.
Yuqin Dai, Chris Wang, Iris Wang, Yilun Xu, "Reinforcement Learning for FX trading"（http://stanford.edu/class/msande448/2019/Final_reports/gr2.pdf）
Chien Yi Huang. Financial trading as a game: A deep reinforcement learning approach. arXiv preprint arXiv:1807.02787, 2018.
Create custom gym environments from scratch — A stock market example（https://towardsdatascience.com/creating-a-custom-openai-gym-environment-for-stock-trading-be532be3910e）
notadamking/Stock-Trading-Environment（https://github.com/notadamking/Stock-Trading-Environment）
Welcome to Stable Baselines docs! - RL Baselines Made Easy（https://stable-baselines.readthedocs.io/en/master）
-
-
