关于使用深度学习作为量化模型的核心算法已经存在诸多研究，大多数的研究还是将这种作为 CS 或 深度学习 研究论文对待，目前很少见到有直接将这种研究成果运用到实际交易中。记得两年前在 Quar 上看到有人回答关于将机器学习模型运用到金融交易中的担忧，持反对一件的人的主要观点在于机器学习是一种黑盒模型，他根据历史数据通过梯度下降等方式产生权重，由于其复杂的特质，我们无法对算法的核心交易逻辑进行解释。没有这种理解，无法控制算法的交易行为。并且无法保证算法的结果不是一种随机性的关联。
而站在支持深度学习模型一方，我们有太多理由相信模型在金融市场会有很好的效果。一方面，金融市场的价格数据是受市场中所有因素影响后产生的结果，量价等数据代表的资金博弈在先今阶段的成果。那么如果我们能尽可能收集更多的信息，是否可以对市场的某一阶段进行预测。换句话说，我们当然无法追求100%的预测，但是在一个比较短的时间周期内，达到一种相对优势的预测结果还是很有可能的。当然我们无法收集到市场的全部信息，但是我们可以实时的以最快的速度收集到市场中大部分公开信息，并对这些信息的权重进行处理。市场每个交易日都会产生海量的数据，如果我们关注短线，对这种数据的分析处理是人力所不能及的。而这恰恰是机器学习模型的优势所在。
我们在这里选择 3短线或极短线为操作模式，这是为了避免长周期的情况下，随机性事件产生的概率呈指数级的暴增，对价格的把控失控。我们只需要识别熟悉的模式显现，找到确定的套利机会，我称之为 确定性漩涡，详细参见：驾驭市场的随机性 —— 寻找确定性漩涡。就是说交易事件越短对我们约有利，即快速识别熟悉的，冲入场内持有头寸，在漩涡消失之前了结交易，及时的止盈和止损，并根据收益情况更新模型参数。
{
"open": 23.5, // 开盘价
"close": 23.6, // 收盘价
"high": 23.78, // 高点
"low": 23.1, // 低点
"vol": 23400 // 交易量
}