能否通过历史股价预测未来股价？

BigQuant 人工智能量化投资平台 是一站式的Python+机器学习+量化投资平台，曾给出过《基于LSTM的股票价格预测模型》样例，读完下文对人工智能量化投资感兴趣的朋友可以直接前往原文进一步学习研究。

随着深度网络的越来越普及，软件开发人员越来越容易对其进行实现，毫无疑问，很多开发人员会用他们熟悉的基于股票价格的预测来训练长短期记忆网络。我见过好几篇论文，展示了如何通过把历史资产价格用于LSTMs训练然后得出“完美地符合”现实的结果。

我相信你也曾怀疑过这些说法都只是一场闹剧。我们都知道，即使你做得再好，也无法准确地预测到市场的90%-100%，即便你进行相当精确地定义。股票市场正如它反映的社会经济一样不断变化，我们暂时还不能做到完美预测。

我所看到的的是，这些作者采用了一些以前的资产价格，有时会对那些价格进行“准确的转换”（即记录日志、规范逻辑、换算价格、或者将价格转换为百分比回报值），再把这些序列注入长短期记忆网络，要求LSTMs预测下一个价格，然后再将他们的窗口前移一天以进行重复使用。

当他们做完这一切后，再想出一个漂亮的情节来表明他们几乎能够完全预测资产的价格变动。然而他们没有讲的是：他们用的LSTMs基本上仅仅是很好地利用了前一天的价格（或者是前一天的组合以及最近的股票历史价格）来作为第二天股价的标准而已。

明天的股票价格并不明确，但如果你以这种方式预测股价并把他们绘制出来，在用肉眼去观察的时候就会觉得这些价格几乎就是对现实的预测。

在现实中，你并不能依赖这些以天为单位的价格来进行交易，因为这些每日价格还没有准确到能够赚钱的地步。也正因为这些，LSTMs通常不能进行超过一天的预测，你不能够相信记忆网络能够预测股票的长期价格走势。

当然，这一切并不让人惊讶。如果你有兴趣了解