炒股技巧 
技术指标 
炒股入门
炒股专题 
炒股问题 
外部文章 
网站首页虚拟炒股用什么软件_通达信如何模拟炒股
还记得之前我们说的现在的高手们都用ChatGPT炒股的文吗？
指路：
最近，有一位外国小伙用上面提到的方法用ChatGPT来做了一个名为GPT Trader的交易机器人。
并把具体步骤发到网上，我们来看看小伙是怎么做的。
看前提醒：
1）内容含有大量枯燥的术语。
2）这个只是一种可能的方法，不是绝对正确，要不要用这些方法炒股，还请大家自己判断。
3）这里只简单阐述他使用的方法。
小伙使用了Alpaca仪表板和测试数据来预测股票走势。
Chat GPT帮助小伙构建了机器人的步骤：
小伙向Chat GPT提出了几个问题，包括最好的技术用于股票预测以及如何使用Python Web来预测雅虎股票价格。
Chat GPT能够记住上下文并回答这些问题，解释了一些机器学习技术并展示了如何使用ScikitLearn库制作神经网络模型来预测股票价格。
小伙使用Chat GPT来自动生成一些代码，但是由于代码中的数据不可靠，所以它不能正常工作。
接着，小伙请求Chat GPT提供一个更好的数据源。
Chat GPT建议使用Alpaca交易API，这是一种免费的股票和加密货币交易API。
然后小伙注册了Alpaca，并获得了API密钥。
Chat GPT随后向小伙展示了如何在Python中使用这个API。
现在小伙需要使用实时的股票数据进行交易机器人的开发。
小伙使用 Alpaca API 来获取数据源，并使用 ScikitLearn 库和 Keras 对数据进行统计机器学习模型训练。
这时需要添加 API 密钥来获取数据，这个密钥可以在 Alpaca 的控制面板中找到。
这将帮助小伙使用先进的神经网络技术来改进机器人的预测能力。
在过去的五年中，神经网络技术方面有了很多研究和发展，包括递归神经网络和长短期记忆网络等变体。这些技术对于预测时间序列数据非常有用。
将transformer网络和强化学习结合起来使用的方法，称为深度强化学习。
使用Python语言实现这个方法时，需要了解一些强化学习技术，例如PPO和Q learning等。
该方法可以帮助计算机像人类一样做出决策。其中，PPO是在寻找两个范围内的最优策略之间的平均值。使用强化学习和神经网络来预测股票价格。
小伙想使用OpenAI的Stable Baselines库和强化学习算法来训练一个股票选择策略。
他发现了一个名为FinRL的库，该库可以用于股票市场数据的强化学习。
接着他打开了FinRL的示例Notebook，并准备替换其中的数据源为Alpaca API。然后开始逐步解释代码的每一步骤。
利用强化学习算法进行股票交易的过程：
首先，使用一个名为FinRL的库获取从苹果公司到道琼斯指数的30支股票的30天股票数据，然后添加技术指标。
接着，构建一个决策过程，即一个代理在一个环境中每隔一段时间采取一步行动的过程。
这个代理是一个神经网络，环境是金融市场。
该库将实时数据传入一个模拟环境中，训练这个深度强化学习代理，然后每天根据输出使用Alpaca API进行实际交易。
在训练结束后，展示了一个回测结果，展示了该系统如何根据以往数据做出决策。
根据这些结果，他就可以设置一个阈值来决定买卖股票的决策，然后让这个系统每天运行并决定是否购买股票。
那么最后问题来了，费这么大劲，他赚钱了吗？
答案是赚了一点，24小时最终获得了 1.62% 的收益率。
近日，有朋友后台咨询是否可以将融资融券数据加入到附图指标中，毕竟传统的选股指标可没有这种指标。
但是在当前市场中，融资融券数据又比较重要，如果没有合适工具的话，只有等数据出来之后，看个股资讯，或者登陆财经网站查看，虽然也是解决办法，但是这样操作始终不便。
那么我们能不能将融资融券数据放到行情图中，作为一个指标，我们看K线图的时候就直接看得到个股的融资融券余额呢？
既然我写了，答案当然是可以，接下来就让我们一步步打造融资融券指标吧！
首先，我们还是按部就班，按照公式编写的流程来：
第一步，先打开指标公式编辑器（还不知道怎么打开的可以参见之前的通达信系列文章），然后在公式名称和公式描述中写上融资融券的标识，以便于我们后期使用，右边的方框就用它默认的即可，不需要我们做多的选择。
第二步，也是最关键的，找到对应的函数。因为我们这里只是简单地将融资融券的数据展示出来，也就是只要找到融资融券的数据即可。
于是我们进入“插入函数”这个神器。
因为融资融券是通达信推出的新数据，所以这里就直接揭晓谜底，它就在“专业财务函数”中的“股票交易类数据（序列）”之中：
OK，我们可以看这个函数调用的规则，如何来调用融资融券数据呢？专业财务数据的调用比一般函数来的复杂，所以要重点介绍一下：
首先，最下面标出来的红框，融资融券前面的数字是3，所以参数ID就选3；
其次，这里面有两个数据：融资余额以及融券余额，因此N取1就是提取融资余额，N取2就是提取融券余额；
最后一个参数的话，主要是因为融资融券的数据是在盘后，所以当天交易时，当天的数据为0，这里我们要不然就选1，让今天显示昨天的数据，这样出现今天和昨天显示的值一样；另外一种就是使用REF函数，统一每一个交易日都是显示昨天的数据。我这里选用第二种方式。
所以，最终，我们得到提取融资余额的函数就是GPJYVALUE(3,1,0)，融券余额就是GPJYVALUE(3,2,0)。
这里要提醒一下，融券余额的单位是“股”，因此如果要放到一张图上，那么单位要统一，这里我们可以用融券余额乘以前一日收盘价（REF（C,1））除以10000即可让两者单位均为“万元”。
第三步，就是完成代码如下：
文字版如下：
RZYE:REF(GPJYVALUE(3,1,0),1);
RQYE:REF(GPJYVALUE(3,2,0),1)*REF(C,1)/10000;
指标公式完成了，接下来我们来看一下效果并且验证一下相关数据对不对。
我们在平安银行的K线图下方副图部分右击，然后点击“副图指标”，进而点击“选择副图指标”，出现如下对话框：
我们选择我们写好的“融资融券”指标即可：
我们可以看到，白线为融资余额，黄线为融券余额，单位转化到万元后，融资余额仍远远高于融券余额，所以融券余额几乎在最下面，都看不大清楚，因此我们可以用两个指标显示可能更方便一些，这部分留给大家下面实践吧。
这里我们检验一下数据，前一天的融资余额，这里显示为30.1824亿元，融券余额为2012.28万元。
我们百度搜索一下“平安银行融资融券”：
可以看到数据一模一样，这就对了，意味着我们的公式没有问题了。
至此，我们用简简单单两行代码，完成了融资融券数据的指标化、图形化。所以有时候我们觉得好像很复杂的事，其实自己动手来完成，也并不是那么难，而且还有很多DIY的乐趣在里面。
另外，这个融资融券指标还只是最简单的底层数据展示，只要我们融会贯通，联合其他数据进行加工，就可以得到很多深度指标供我们使用，这部分我先不多说，大家可以自己先探索一下。
