背景：针对均值-方差模型的局限性，利用启发式函数链神经网络预测得到的收益率替代历史数据。
工作原理：构建PSO_FLNN预测模型，PSO算法用来优化FLNN中个体的权重参数，FLNN用来对输入的个体预测其对应的周收益值。
（1）FLNN函数链神经网络
它是单层神经网络，通过非线性函数（如切比雪夫函数）对特征进行拓展，输入后，经过加权求和，通过relu激活函数得到输出值。结构简单，计算负担小，效果好，比MLP计算复杂度更小。
（2）启发式FLNN股票周收益预测步骤
预测周收益的步骤：样本特征拓展；训练模型，得到最优粒子；在测试集上进行验证。
切比雪夫递归拓展特征：特征维度D为拓展为5D维。
PSO优化FLNN的权重参数：种群中的粒子围绕搜索空间移动以寻找最佳位置。得到各个粒子对应的适应度值，即均方误差值，选择其中均方误差最小的粒子作为最佳粒子，下次迭代前，根据该最佳粒子对种群粒子速度和权重值（即位置）进行更新。经过k次迭代后，比较出得到最佳粒子。（粒子在PSO种群中的位置由5D个随机权重组成，每个随机权重值位于0和1之间）
如何预测：最佳粒子就是该样本对应的权重参数向量。在测试集上进行测试。结果满意的话，便可以利用该模型预测该股票的周收益。预测哪周，则将该周的特征值求出后，与参数加权求和后输入relu函数max(0,wx+b)，得到预测值。
（3）如何进行超参数调优
哪些参数：
惯性因子w（0.4-0.9之间，调整全局和局部搜索，为非负，大的话全局强，小局部强，一般采用动态w比如说线性递减权值，），
学习因子c1,c2（0~4之间，通常为2，代表粒子向自身极值pbest和全局极值gbest推进的加速权值。），
群体规模N（100或,200），
最大迭代次数100-200，
最大速度Vmax。
调优方法
交叉验证参数选择：各个参数确定变化的步长，然后使用网格法交叉验证参数选择。最后确定w=0.725，学习因子为2，最大速度Vmax决定粒子每一次的最大移动距离（一般为相应维搜索空间的10%~20%），群体规模为200，迭代次数为200。
步长如何确定：可以使用最优化理论中的Wolf-Powell搜索、Amijo搜索选取步长。
过Powell等方法为了找到最优的超参数，这些方法往往要尝试很多组值，每一次尝试都要重新做一次训练，时间成本很高，且并不总是可预测。很多时候我们并不需要挤干hyperparameters中的水分，这时候就随便选几个值，挑个不错的就好啦，当然这不是很严谨。
import pandas as pd
import os
from model import Model
file_dir = r'data100只股票三维特征数据集合'
def file_name(dir):
for root, dirs, files in os.walk(dir):
file_list_temp = files # 当前路径下所有非目录子文件
return file_list_temp
file_list = file_name(file_dir)
print(file_list)
security_code = []
for i in file_list:
i = i[0:9]
security_code.append(i)#这时140股票的代码集合
print(security_code)
#现仅用600345.SH进行测试，全测试可令stock = security_code
stock = ['600345.SH.csv']
for i in range(len(stock)):
csv_file = r"data100只股票三维特征数据集合%s"%(stock[i])
csv_data = pd.read_csv(csv_file)
print(stock[i])
dt = csv_data.drop(['Unnamed: 0','周数'],axis=1)
train_idx = 140
test_idx = 52
model = Model(dt.values, train_idx, test_idx) # .values把dataframe转化为矩阵
pre_value = pd.Dataframe(model.train())
pre_value.to_csv(r'data100只股票预测收益集合%s.csv'%(file_list[i][0:9]))
