简介 一个比特币交易机器人基于 Tensorflow LSTM 模型,仅供娱乐. A Bitcoin trade robot based on Tensorflow LSTM model.Just for fun. 数据集 数据来自 btctrade ,用 requests 爬取,它包含比特币的 50 个交易记录. get_trades.py 会获取这些交易记录并且用图片的方式展示出来. 模型 rnn_predicter.py 使用 LSMT 模型.截取 10个交易记录作为输入,如果 第 11个

pytrader是基于 easytrader 和 easyquotation 的量化交易框架,支持东方财富自动交易,支持进行策略回测. 开源地址:https://github.com/jadepeng/pytrader 策略文件 在strategies目录,可以参考已有的编写. 策略需要继承StrategyTemplate类,实现int和onbar等函数. init 设置关注的股票,行情引擎就会推动股票行情. def init(self): for stock_code in self.watc

# -*- encoding: utf8 -*- # version 1.11 import tkinter.messagebox,os from tkinter import * from tkinter.ttk import * from tkinter import Menu import datetime import threading import pickle import time import tushare as ts import pywinauto import pywi

1.目录结构 2.入口类 # coding = utf-8 """ 注意:RNN使用的数据为序列化的数据 RNN网络:主要由多个LSTM计算单元组成,依靠BPTT算法进行时序展开 LSTM:含有保留门和忘记门,是一个多输入多输出的网络结构. LSTM具备抑制梯度特性 """ # import numpy as np # import tensorflow as tf # from .models.model import rnn_model #

例1 import tensorflow as tf a=tf.Variable(tf.constant(1.0),name='a') b=tf.Variable(tf.constant(1.0),name='b') cost=a+b train_op=tf.train.GradientDescentOptimizer(learning_rate=2).minimize(cost) print(tf.trainable_variables()) with tf.Session() as sess

语言环境为>=go1.10 go语言环境不多说 实现目的能与BitMEX api进行交互自动交易,目前虚拟币平台很多,平台API实现也很容易.后续会加上其它平台和自动交易算法策略,具体看平台交易手续费性价比而定. 先从国内平台开始,以GO语言为例子,其他语言也有很多,主要是学习GO语言. 这里需要用到websocket,当然还有其他形式的请求API,这里以这种形式为例子, 先从火币开始,如果不知道API具体参数可查看官网. 先在我的GOPATH中的SRC目录中创建一个文件夹,为huobi,在这个

题目比较小众,先介绍一下CTP. 综合交易平台CTP(Comprehensive Transaction Platform)是由上海期货信息技术有限公司(上海期货交易所的全资子公司)开发的期货交易平台,CTP平台以"新一代交易所系统"的核心技术为基础,稳定.高速.开放式接口,适合程序化交易软件运用和短线炒单客户使用. 没错,是专门做期货交易用的,关于期货交易的风险,参考下面: 进行期货交易风险相当大,可能发生巨额损失,损失的总额可能超过您存放在期货经纪公司的全部初始保证金以及追加保证金

1 #coding:utf-8 # 日期 2017年9月4日 环境 Python 3.5  TensorFlow 1.3 win10开发环境. import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data import os # 基础的学习率 LEARNING_RATE_BASE = 0.8 # 学习率的衰减率 LEARNING_RATE_DECAY = 0.99 # 描述模型复杂度的正则化项

本系列为Tensorflow实战Google深度学习框架知识笔记,仅为博主看书过程中觉得较为重要的知识点,简单摘要下来,内容较为零散,请见谅. 2017-11-06 [第五章] MNIST数字识别问题 1. MNIST数据处理 为了方便使用,Tensorflow提供了一个类来处理MNIST数据,这个类会自动下载并转化MNIST数据的格式,将数据从原始的数据包中解析成训练和测试神经网络时使用的格式. 2. 神经网络模型训练及不同模型结果对比 为了评测神经网络模型在不同参数下的效果,一般会从训练数据

在windows下安装的TensorFlow做学习研究之用,如果要进行技术,请看相关博文:CentOS7安装TensorFlow 1.安装Pytho3.5 首先到Anaconda网站去下载Windows版本的软件,这里选择v3.6版本. 建议大家还是选择python3.5,因为tensorflow需要3.5版本,3.6安装不上.我因为后面做了版本切换,所以安装的3.6. https://www.continuum.io 2.安装完毕后,打开Anaconda Prompt 然后我们输入一条命令,查

什么是量化交易 量化交易是指借助现代统计学和数学的方法,利用计算机技术来进行交易的证券投资方式.量化交易从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略,用数量模型验证及固化这些规律和策略,然后严格执行已固化的策略来指导投资,以求获得可以持续的.稳定且高于平均收益的超额回报. 量化交易起源于上世纪七十年代的股票市场,之后迅速发展和普及,尤其是在期货交易市场,程序化逐渐成为主流.有数据显示,国外成熟市场期货程序化交易已占据总交易量的70%-80%,而国内则刚刚起步.手工交易中交易

前面两篇随笔实现的单层神经网络 和多层神经网络, 在MNIST测试集上的正确率分别约为90%和96%.在换用多层神经网络后,正确率已有很大的提升.这次将采用卷积神经网络继续进行测试. 1.模型基本结构 如下图所示,本次采用的模型共有8层(包含dropout层).其中卷积层和池化层各有两层. 在整个模型中,输入层负责数据输入:卷积层负责提取图片的特征:池化层采用最大池化的方式,突出主要特征,并减少参数维度:全连接层再将个特征组合起来:dropout层可以减少每次训练的计算量,并可以一定程度上避免过

以下代码摘自<Tensor Flow:实战Google深度学习框架> 本套代码是在 http://www.cnblogs.com/shanlizi/p/9033330.html 基础上进行持久化,分为3部分,分别为infenrence,train,eval. 是将原代码模块化,并且持久化之后可以直接调用训练后的模型. 需要注意的一点是:本人电脑的路径,mnist_inference.py是在Mnist_New文件夹下的,所以代码中加载模块用的是:import Mnist_New.mnist_i

发布时间:2018-09-25   技术:C++11,动态库的制作   概述 CTP的接入Demo 详细 代码下载:http://www.demodashi.com/demo/14125.html 本文档不介绍CTP的具体流程,具体流程请参考上海期货交易所文档(下载). 一.概述 1.CTP是上期技术,提供的国内期货行情和交易的接口,自推出以来,各大券商均架设了CTP技术的接入,引入策略算法便可以初步形成一个自动交易的系统,这也就吸引了很多对自动交易,策略交易感兴趣的各路高人来使用. 2.CTP

1 TensorFlow基础 ---1.1TensorFlow概要 TensorFlow使用数据流图进行计算,一次编写,各处运行. ---1.2 TensorFlow编程模型简介 TensorFlow中的计算是一个有向图,每一个运算操作都是一个节点.每一个节点可以有任意多个输入和输出,在计算图的边中流动(flow)的数据被称为张量(tensor). 一个运算操作代表了一种类型的抽象运算,运算操作的所有属性必须被预先设置,或者能在创建计算图时被推断出来. Variable为变量,在创建时赋值,它可

TensorFlow是一个采用数据流图(data flow graphs),用于数据计算的开源软件库. 什么是数据流图? TensorFlow的数据流图是由“节点”(nodes)和“线”(edges)组成的有向无环图来描述数学计算.“节点”一般用来表示施加的数学操作,但也可以表示数据输入(feed in)的起点/输出(push out)的终点,或者是读取/写入持久变量(persistent variable)的终点.“线”表示“节点”之间的输入/输出关系.这些数据“线”可以输运多维数据数组,即“

在上一篇<TensorFlow入门之MNIST样例代码分析>中,我们讲解了如果来用一个三层全连接网络实现手写数字识别.但是在实际运用中我们需要更有效率,更加灵活的代码.在TensorFlow实战这本书中给出了更好的实现,他将程序分为三个模块,分别是前向传播过程模块,训练模块和验证检测模块.并且在这个版本中添加了模型持久化功能,我们可以将模型保存下来,方便之后的模型检验,并且我们可以一边训练新的模型,一边来检验模型,代码更加的灵活高效. 前向传播模块 首先将前向传播过程抽象出来,作为一个可以作为

在上一篇<TensorFlow入门之MNIST样例代码分析>中,我们讲解了如果来用一个三层全连接网络实现手写数字识别.但是在实际运用中我们需要更有效率,更加灵活的代码.在TensorFlow实战这本书中给出了更好的实现,他将程序分为三个模块,分别是前向传播过程模块,训练模块和验证检测模块.并且在这个版本中添加了模型持久化功能,我们可以将模型保存下来,方便之后的模型检验,并且我们可以一边训练新的模型,一边来检验模型,代码更加的灵活高效. 前向传播模块 首先将前向传播过程抽象出来,作为一个可以作为

Tensorflow之MNIST的最佳实践思路总结   在上两篇文章中已经总结出了深层神经网络常用方法和Tensorflow的最佳实践所需要的知识点,如果对这些基础不熟悉,可以返回去看一下.在<Tensorflow:实战Google深度学习框架>这本书在第五章中给出了MNIST的例子代码,源码可以去代码库中查看https://github.com/caicloud/tensorflow-tutorial,在这里写一下对这个例子的思路总结(最佳实践):   为了扩展性变得更好,这里将整个程序分为

一.Tensorflow 扩展功能 1.自动求导 2.子图的执行 3.计算图控制流 4.队列/容器 Tensorflow 自动求导 当计算tensor C关于tensor W的梯度时,会先寻找从W到C的正向路径,然后从C回溯到W,对这条回溯路径上的每一个节点增加一个对应的求解梯度的节点,根据链式法则计算总的梯度.这就是反向传播算法.这些新增的节点会计算梯度函数,比如[db,dW,dx]=tf.gradients(C,[b,w,x]) 自动求导虽然对用户很方便,但伴随而来的是Tensorflow对