近年来,国内外证券行业的市场交易行为趋向于规范化、趋势化,以市场价格规律为导向的交易行为逐渐占据重要地位。上述交易行为中,对证券产品的分析方法主要是根据证券数据,建立相应的技术指标,并按照该指标预测未来价格走向趋势。单一技术指标分析的效果取决于其预测的准确率,如“雪球网”的量化投资人所述,在大量多次投资情况下,超过50%准确率的技术指标可以将微小的准确率优势转化为盈利。目前主流的技术指标,是通过设立若干筛选条件,选择部分符合条件的股票,并预测未来价格走势。例如“均线多头并列”技术指标、“相似K线”技术指标等等。然而,这些技术指标设立的筛选条件不够精细,导致筛选出的股票的“特征”不够明显,导致预测准确率不高。而机器学习神经网络技术可以训练这些股票数据,提取隐藏的“特征”,生成模型,达到优化技术指标,提升预测准确率的目的。因此,本文选择具有较好的训练速度及稳定性的2层隐藏层的前馈神经网络来优化技术指标,具体工作如下所述。首先,为了证明对于不同的技术指标,可以分别使用针对性的神经网络训练方法达到优化效果,本文选择了两种不同的技术指标进行实验:第一种技术指标以“均线多头并列”的数据形态作为筛选条件,获得符合条件的股票,并预测这些股票后续走势为上涨。由于筛选条件固定,选择可接续训练的神经网络训练方法对其进行优化。第二种以目标K线作为筛选条件,获得相似K线,并利用相似K线后续走势预测目标K线后续走势。由于筛选条件随时间与股票变化,选择可一次性形成模型的快速训练方法对其进行优化。然后,为了完成上述两种技术指标的优化实验,需要实现软件工具,并准备实验数据,本文基于python语言及mongo数据库搭建了一个模型库。该模型库分为3层,分别是:储存基本数据、指标数据、模型数据的数据储存层,分析基本数据生成指标数据的数据处理层,以及实现神经网络模型的数据分析层。最后,按照上述两种不同的技术指标与对应的神经网络训练方法,分别进行训练与测试,每类训练方法进行两次重复实验。第一种通过“均线多头并列”技术指标预测走势,传统方法得到预测准确率为50.4%,经过可接续神经网络训练方法,进行不同接续训练次数的训练,接续训练次数n=1与n=5的预测准确率皆<50%,n=3的两次实验预测准确率为52.9%与51.3%,准确率较传统方法在准确率上提升了2.5%与0.9%。第二种通过目标股票相似K线预测其走势,得到预测准确率为51.31%,两次经快速神经网络训练得到模型的预测准确率为分别为54.11%与56.3%,准确率较传统方法在准确率上提升了2.8%与5.8%。由于上述两种技术指标类型覆盖了市场上大部分的技术指标,本文选择的两种训练方法可延伸开来应用于更多的技术指标。因此使用神经网络方法优化技术指标具有一定的应用价值与广泛的应用范围。