复制链接

克隆策略

使用深度学习技术预测股票价格¶

版本 v1.0

目录¶

### 深度学习策略的交易规则
### 策略构建步骤
### 策略的实现

正文¶

一、深度学习策略的交易规则¶

买入条件：预测的上涨概率>0.5，则买入或保持已有持仓。
卖出条件 :预测的上涨概率<0.5，则卖出已有股票。

二、策略构建步骤¶

1、确定股票池和数据起止时间¶

在证券代码列表m24和m28模块中输入要回测的单只股票，以及数据的起止日期(分别为训练集和验证集)。

2、确定因子¶

在输入特征列表m8模块中输入用于预测的N个因子表达式。

3、获取基础数据¶

通过基础特征数据抽取模块m22和m16获取指定股票池的基础数据，如收盘价等字段。

4、确定并计算模型标注¶

通过自动标注股票模块m21计算需要的标注指标，本例中首先计算未来10天收益，然后根据其正负来给每日数据标注1或0，来标识涨跌。

5、抽取因子数据¶

通过衍生数据抽取模块m23和m26计算因子数据。

6、合并标注与因子数据¶

通过连接数据m17模块合并因子数据和标注数据。

7、生成序列窗口滚动数据集¶

通过序列窗口滚动(深度学习)模块m25和m27将训练集和预测集的数据生成固定窗口长度的数据序列，为后续模型训练和预测做准备。

8、构建LSTM + CNN模型构架¶

在画布左侧模块列表中依次拖入输入层模块、Reshape层模块、Conv2D层模块、Reshape层模块、LSTM层模块、Dropout层模块和全连接层模块(两组)，构成深度学习网络构架，

最后通过“构建(深度学习)”模块组装各层。这里需要注意：

输入层的shape参数是窗口滚动数据集的大小 X 因子数量 , 本例为 50 行 X 5个因子

ReShape层的参数是窗口滚动数据集的大小 X 因子数量 X 1 ，本例为 50 行 X 5个因子 X1

Conv2D层中的 kernel_size参数是滑动窗口的尺寸，本例中使用 3行 X 5列的窗口, 每次滑动的步长为 1行 X 1列，卷积核数目为32，这里的窗口设置决定了后面ReShape层的参数

ReShape层中的target_shape 参数，这是由窗口滚动数据集 X 因子数量和 Conv2D层中设置的窗口尺寸以及步长决定的。本例中 50行 X 5因子的输入数据，使用 3行 X5列的窗口滑动取数据，

每次移动1行，共计可以得到48次数据(即可以通过滑动3行 X 5列的窗口48次来获取完整的数据)，因此target_shape= 48 X 卷积核数32

LSTM层的输出空间维度设置为卷积核数32，并设置激活函数

Dropout层是防止过度拟合采用的主动裁剪数据技术，这里设置rate 为0.8

全连接层共两层，第一层的输出空间维度与LSTM的输出维度保持一致为32，第二层将第一层的32维数据转变为1维数据输出，即获取预测的label值，此例为0到1之间的连续值，可以认为是上涨的概率。

9、训练深度学习模型¶

在画布左侧模块列表中拖入“训练(深度学习)”模块m6,设置属性中的优化器、目标函数、评估指标、每次训练的数据量batch_size、迭代次数epochs和GPU的数量以及日志输出频率。

10、使用深度学习模型预测¶

在画布左侧模块列表中拖入“预测(深度学习)”模块m7，并将“训练(深度学习)”模块m6的模型输出和验证集的序列窗口滚动数据集传给预测模块，通过预测模块即根据股票验证集的数据预测上涨的概率。

11、将预测结果与时间拼接¶

通过自定义模块m2将预测的每个滚动序列窗口的最后一个值最为当日的预测结果，并与预测集数据的时间列拼接，形成最终的每日预测结果。

12、根据模型预测结果构建策略¶

如果当日预测的上涨概率大于0.5，则保持持仓或买入
如果当日预测的上涨概率小于0.5，则卖出股票或保持空仓。

13、模拟回测¶

通过 trade 模块中的初始化函数定义交易手续费和滑点，通过 context.prediction 获取每日的上涨概率预测结果；
通过 trade 模块中的主函数(handle函数)查看每日的买卖交易信号，按照买卖原则执行相应的买入/卖出操作。

三、策略的实现¶

可视化策略实现如下：

In [33]:

# 本代码由可视化策略环境自动生成 2022年9月15日 19:58
# 本代码单元只能在可视化模式下编辑。您也可以拷贝代码，粘贴到新建的代码单元或者策略，然后修改。


# 用户的自定义层需要写到字典中，比如
# {
#   "MyLayer": MyLayer
# }
m6_custom_objects_bigquant_run = {
    
}

# Python 代码入口函数，input_1/2/3 对应三个输入端，data_1/2/3 对应三个输出端
def m2_run_bigquant_run(input_1, input_2, input_3):
    # 示例代码如下。在这里编写您的代码
    pred_label = input_1.read_pickle()
    df = input_2.read_df()
    df = pd.DataFrame({'pred_label':pred_label[:,0], 'instrument':df.instrument, 'date':df.date})
    df.sort_values(['date','pred_label'],inplace=True, ascending=[True,False])
    return Outputs(data_1=DataSource.write_df(df), data_2=None, data_3=None)


# 后处理函数，可选。输入是主函数的输出，可以在这里对数据做处理，或者返回更友好的outputs数据格式。此函数输出不会被缓存。
def m2_post_run_bigquant_run(outputs):
    return outputs

# 回测引擎：初始化函数，只执行一次
def m1_initialize_bigquant_run(context):
    # 加载预测数据
    context.prediction = context.options['data'].read_df()
    
    # 系统已经设置了默认的交易手续费和滑点，要修改手续费可使用如下函数
    context.set_commission(PerOrder(buy_cost=0.0003, sell_cost=0.0013, min_cost=5))
# 回测引擎：每日数据处理函数，每天执行一次
def m1_handle_data_bigquant_run(context, data):
    # 按日期过滤得到今日的预测数据
    try:
        prediction = context.prediction[ context.prediction['date']==data.current_dt.strftime('%Y-%m-%d')].pred_label.values[0]
    except KeyError as e:
        return
    
    instrument = context.instruments[0]
    sid = context.symbol(instrument)
    cur_position = context.portfolio.positions[sid].amount
    
    # 交易逻辑
    if prediction > 0.5 and cur_position == 0:
        context.order_target_percent(context.symbol(instrument), 1)
        print(data.current_dt, '买入！')
        
    elif prediction < 0.5 and cur_position > 0:
        context.order_target_percent(context.symbol(instrument), 0)
        print(data.current_dt, '卖出！')
    
# 回测引擎：准备数据，只执行一次
def m1_prepare_bigquant_run(context):
    pass

# 回测引擎：每个单位时间开始前调用一次，即每日开盘前调用一次。
def m1_before_trading_start_bigquant_run(context, data):
    pass


g = T.Graph({

    'm3': 'M.dl_layer_input.v1',
    'm3.shape': '50,5',
    'm3.batch_shape': '',
    'm3.dtype': 'float32',
    'm3.sparse': False,
    'm3.name': '',

    'm13': 'M.dl_layer_reshape.v1',
    'm13.inputs': T.Graph.OutputPort('m3.data'),
    'm13.target_shape': '50,5,1',
    'm13.name': '',

    'm14': 'M.dl_layer_conv2d.v1',
    'm14.inputs': T.Graph.OutputPort('m13.data'),
    'm14.filters': 32,
    'm14.kernel_size': '3,5',
    'm14.strides': '1,1',
    'm14.padding': 'valid',
    'm14.data_format': 'channels_last',
    'm14.dilation_rate': '1,1',
    'm14.activation': 'relu',
    'm14.use_bias': True,
    'm14.kernel_initializer': 'glorot_uniform',
    'm14.bias_initializer': 'Zeros',
    'm14.kernel_regularizer': 'None',
    'm14.kernel_regularizer_l1': 0,
    'm14.kernel_regularizer_l2': 0,
    'm14.bias_regularizer': 'None',
    'm14.bias_regularizer_l1': 0,
    'm14.bias_regularizer_l2': 0,
    'm14.activity_regularizer': 'None',
    'm14.activity_regularizer_l1': 0,
    'm14.activity_regularizer_l2': 0,
    'm14.kernel_constraint': 'None',
    'm14.bias_constraint': 'None',
    'm14.name': '',

    'm15': 'M.dl_layer_reshape.v1',
    'm15.inputs': T.Graph.OutputPort('m14.data'),
    'm15.target_shape': '48,32',
    'm15.name': '',

    'm4': 'M.dl_layer_lstm.v1',
    'm4.inputs': T.Graph.OutputPort('m15.data'),
    'm4.units': 32,
    'm4.activation': 'tanh',
    'm4.recurrent_activation': 'hard_sigmoid',
    'm4.use_bias': True,
    'm4.kernel_initializer': 'glorot_uniform',
    'm4.recurrent_initializer': 'Orthogonal',
    'm4.bias_initializer': 'Ones',
    'm4.unit_forget_bias': True,
    'm4.kernel_regularizer': 'None',
    'm4.kernel_regularizer_l1': 0,
    'm4.kernel_regularizer_l2': 0,
    'm4.recurrent_regularizer': 'None',
    'm4.recurrent_regularizer_l1': 0,
    'm4.recurrent_regularizer_l2': 0,
    'm4.bias_regularizer': 'None',
    'm4.bias_regularizer_l1': 0,
    'm4.bias_regularizer_l2': 0,
    'm4.activity_regularizer': 'None',
    'm4.activity_regularizer_l1': 0,
    'm4.activity_regularizer_l2': 0,
    'm4.kernel_constraint': 'None',
    'm4.recurrent_constraint': 'None',
    'm4.bias_constraint': 'None',
    'm4.dropout': 0,
    'm4.recurrent_dropout': 0,
    'm4.return_sequences': False,
    'm4.implementation': '2',
    'm4.name': '',

    'm11': 'M.dl_layer_dropout.v1',
    'm11.inputs': T.Graph.OutputPort('m4.data'),
    'm11.rate': 0.4,
    'm11.noise_shape': '',
    'm11.name': '',

    'm10': 'M.dl_layer_dense.v1',
    'm10.inputs': T.Graph.OutputPort('m11.data'),
    'm10.units': 32,
    'm10.activation': 'tanh',
    'm10.use_bias': True,
    'm10.kernel_initializer': 'glorot_uniform',
    'm10.bias_initializer': 'Zeros',
    'm10.kernel_regularizer': 'None',
    'm10.kernel_regularizer_l1': 0,
    'm10.kernel_regularizer_l2': 0,
    'm10.bias_regularizer': 'None',
    'm10.bias_regularizer_l1': 0,
    'm10.bias_regularizer_l2': 0,
    'm10.activity_regularizer': 'None',
    'm10.activity_regularizer_l1': 0,
    'm10.activity_regularizer_l2': 0,
    'm10.kernel_constraint': 'None',
    'm10.bias_constraint': 'None',
    'm10.name': '',

    'm12': 'M.dl_layer_dropout.v1',
    'm12.inputs': T.Graph.OutputPort('m10.data'),
    'm12.rate': 0.8,
    'm12.noise_shape': '',
    'm12.name': '',

    'm9': 'M.dl_layer_dense.v1',
    'm9.inputs': T.Graph.OutputPort('m12.data'),
    'm9.units': 1,
    'm9.activation': 'sigmoid',
    'm9.use_bias': True,
    'm9.kernel_initializer': 'glorot_uniform',
    'm9.bias_initializer': 'Zeros',
    'm9.kernel_regularizer': 'None',
    'm9.kernel_regularizer_l1': 0,
    'm9.kernel_regularizer_l2': 0,
    'm9.bias_regularizer': 'None',
    'm9.bias_regularizer_l1': 0,
    'm9.bias_regularizer_l2': 0,
    'm9.activity_regularizer': 'None',
    'm9.activity_regularizer_l1': 0,
    'm9.activity_regularizer_l2': 0,
    'm9.kernel_constraint': 'None',
    'm9.bias_constraint': 'None',
    'm9.name': '',

    'm5': 'M.dl_model_init.v1',
    'm5.inputs': T.Graph.OutputPort('m3.data'),
    'm5.outputs': T.Graph.OutputPort('m9.data'),

    'm8': 'M.input_features.v1',
    'm8.features': """(close_0/close_1-1)*10
(high_0/high_1-1)*10
(low_0/low_1-1)*10
(open_0/open_1-1)*10
(volume_0/volume_1-1)*10""",

    'm24': 'M.instruments.v2',
    'm24.start_date': '2017-06-02',
    'm24.end_date': '2017-10-30',
    'm24.market': 'CN_STOCK_A',
    'm24.instrument_list': '600009.SHA',
    'm24.max_count': 0,

    'm21': 'M.advanced_auto_labeler.v2',
    'm21.instruments': T.Graph.OutputPort('m24.data'),
    'm21.label_expr': """# #号开始的表示注释
# 0. 每行一个，顺序执行，从第二个开始，可以使用label字段
# 1. 可用数据字段见 https://bigquant.com/docs/develop/datasource/deprecated/history_data.html
#   添加benchmark_前缀，可使用对应的benchmark数据
# 2. 可用操作符和函数见 `表达式引擎 <https://bigquant.com/docs/develop/bigexpr/usage.html>`_

# 计算收益：5日收盘价(作为卖出价格)除以明日开盘价(作为买入价格)
where(shift(close, -10) / close -1>0,1,0)

# 过滤掉一字涨停的情况 (设置label为NaN，在后续处理和训练中会忽略NaN的label)
where(shift(high, -1) == shift(low, -1), NaN, label)
""",
    'm21.start_date': '',
    'm21.end_date': '',
    'm21.benchmark': '000300.SHA',
    'm21.drop_na_label': True,
    'm21.cast_label_int': True,
    'm21.user_functions': {},

    'm22': 'M.general_feature_extractor.v7',
    'm22.instruments': T.Graph.OutputPort('m24.data'),
    'm22.features': T.Graph.OutputPort('m8.data'),
    'm22.start_date': '',
    'm22.end_date': '',
    'm22.before_start_days': 90,

    'm23': 'M.derived_feature_extractor.v3',
    'm23.input_data': T.Graph.OutputPort('m22.data'),
    'm23.features': T.Graph.OutputPort('m8.data'),
    'm23.date_col': 'date',
    'm23.instrument_col': 'instrument',
    'm23.drop_na': False,
    'm23.remove_extra_columns': False,
    'm23.user_functions': {},

    'm17': 'M.join.v3',
    'm17.data1': T.Graph.OutputPort('m21.data'),
    'm17.data2': T.Graph.OutputPort('m23.data'),
    'm17.on': 'date',
    'm17.how': 'inner',
    'm17.sort': True,

    'm18': 'M.dropnan.v1',
    'm18.input_data': T.Graph.OutputPort('m17.data'),

    'm25': 'M.dl_convert_to_bin.v2',
    'm25.input_data': T.Graph.OutputPort('m18.data'),
    'm25.features': T.Graph.OutputPort('m8.data'),
    'm25.window_size': 50,
    'm25.feature_clip': 5,
    'm25.flatten': False,
    'm25.window_along_col': '',

    'm6': 'M.dl_model_train.v1',
    'm6.input_model': T.Graph.OutputPort('m5.data'),
    'm6.training_data': T.Graph.OutputPort('m25.data'),
    'm6.optimizer': 'Adam',
    'm6.loss': 'binary_crossentropy',
    'm6.metrics': 'accuracy',
    'm6.batch_size': 2048,
    'm6.epochs': 10,
    'm6.custom_objects': m6_custom_objects_bigquant_run,
    'm6.n_gpus': 1,
    'm6.verbose': '1:输出进度条记录',

    'm28': 'M.instruments.v2',
    'm28.start_date': T.live_run_param('trading_date', '2019-02-11'),
    'm28.end_date': T.live_run_param('trading_date', '2019-08-01'),
    'm28.market': 'CN_STOCK_A',
    'm28.instrument_list': '600009.SHA',
    'm28.max_count': 0,

    'm16': 'M.general_feature_extractor.v7',
    'm16.instruments': T.Graph.OutputPort('m28.data'),
    'm16.features': T.Graph.OutputPort('m8.data'),
    'm16.start_date': '',
    'm16.end_date': '',
    'm16.before_start_days': 90,

    'm26': 'M.derived_feature_extractor.v3',
    'm26.input_data': T.Graph.OutputPort('m16.data'),
    'm26.features': T.Graph.OutputPort('m8.data'),
    'm26.date_col': 'date',
    'm26.instrument_col': 'instrument',
    'm26.drop_na': False,
    'm26.remove_extra_columns': False,
    'm26.user_functions': {},

    'm20': 'M.dropnan.v1',
    'm20.input_data': T.Graph.OutputPort('m26.data'),

    'm27': 'M.dl_convert_to_bin.v2',
    'm27.input_data': T.Graph.OutputPort('m20.data'),
    'm27.features': T.Graph.OutputPort('m8.data'),
    'm27.window_size': 50,
    'm27.feature_clip': 5,
    'm27.flatten': False,
    'm27.window_along_col': '',

    'm7': 'M.dl_model_predict.v1',
    'm7.trained_model': T.Graph.OutputPort('m6.data'),
    'm7.input_data': T.Graph.OutputPort('m27.data'),
    'm7.batch_size': 10240,
    'm7.n_gpus': 0,
    'm7.verbose': '2:每个epoch输出一行记录',

    'm2': 'M.cached.v3',
    'm2.input_1': T.Graph.OutputPort('m7.data'),
    'm2.input_2': T.Graph.OutputPort('m20.data'),
    'm2.run': m2_run_bigquant_run,
    'm2.post_run': m2_post_run_bigquant_run,
    'm2.input_ports': '',
    'm2.params': '{}',
    'm2.output_ports': '',

    'm1': 'M.trade.v4',
    'm1.instruments': T.Graph.OutputPort('m28.data'),
    'm1.options_data': T.Graph.OutputPort('m2.data_1'),
    'm1.start_date': '',
    'm1.end_date': '',
    'm1.initialize': m1_initialize_bigquant_run,
    'm1.handle_data': m1_handle_data_bigquant_run,
    'm1.prepare': m1_prepare_bigquant_run,
    'm1.before_trading_start': m1_before_trading_start_bigquant_run,
    'm1.volume_limit': 0.025,
    'm1.order_price_field_buy': 'open',
    'm1.order_price_field_sell': 'close',
    'm1.capital_base': 1000000,
    'm1.auto_cancel_non_tradable_orders': True,
    'm1.data_frequency': 'daily',
    'm1.price_type': '真实价格',
    'm1.product_type': '股票',
    'm1.plot_charts': True,
    'm1.backtest_only': False,
    'm1.benchmark': '000300.HIX',
})

# g.run({})


def m19_run_bigquant_run(
    bq_graph,
    inputs,
    trading_days_market='CN', # 使用那个市场的交易日历
    train_instruments_mid='m24', # 训练数据 证券代码列表 模块id
    test_instruments_mid='m28', # 测试数据 证券代码列表 模块id
    predict_mid='m2', # 预测 模块id
    trade_mid='m1', # 回测 模块id
    start_date='2016-01-01', # 数据开始日期
    end_date=T.live_run_param('trading_date', '2018-01-01'), # 数据结束日期
    train_update_days=90, # 更新周期，按交易日计算，每多少天更新一次
    train_update_days_for_live=100, #模拟实盘模式下的更新周期，按交易日计算，每多少天更新一次。如果需要在模拟实盘阶段使用不同的模型更新周期，可以设置这个参数
    train_data_min_days=100, # 最小数据天数，按交易日计算，所以第一个滚动的结束日期是 从开始日期到开始日期+最小数据天数
    train_data_max_days=100, # 最大数据天数，按交易日计算，0，表示没有限制，否则每一个滚动的开始日期=max(此滚动的结束日期-最大数据天数, 开始日期
    rolling_count_for_live=1, #实盘模式下滚动次数，模拟实盘模式下，取最后多少次滚动。一般在模拟实盘模式下，只用到最后一次滚动训练的模型，这里可以设置为1；如果你的滚动训练数据时间段很短，以至于期间可能没有训练数据，这里可以设置大一点。0表示没有限制
):
    def merge_datasources(input_1):
        df_list = [ds.read_df() for ds in input_1]
        df = pd.concat(df_list)
        instrument_data = {
            'start_date': df['date'].min().strftime('%Y-%m-%d'),
            'end_date': df['date'].max().strftime('%Y-%m-%d'),
            'instruments': list(set(df['instrument'])),
        }
        return Outputs(data=DataSource.write_df(df), instrument_data=DataSource.write_pickle(instrument_data))

    def gen_rolling_dates(trading_days_market, start_date, end_date, train_update_days, train_update_days_for_live, train_data_min_days, train_data_max_days, rolling_count_for_live):
        # 是否实盘模式
        tdays = list(D.trading_days(market=trading_days_market, start_date=start_date, end_date=end_date)['date'])
        is_live_run = T.live_run_param('trading_date', None) is not None

        if is_live_run and train_update_days_for_live:
            train_update_days = train_update_days_for_live

        rollings = []
        train_end_date = train_data_min_days
        while train_end_date < len(tdays):
            if train_data_max_days is not None:
                train_start_date = max(train_end_date - train_data_max_days, 0)
            else:
                train_start_date = start_date
            rollings.append({
                'train_start_date': tdays[train_start_date].strftime('%Y-%m-%d'),
                'train_end_date': tdays[train_end_date - 1].strftime('%Y-%m-%d'),
                'test_start_date': tdays[train_end_date].strftime('%Y-%m-%d'),
                'test_end_date': tdays[min(train_end_date + train_update_days, len(tdays)) - 1].strftime('%Y-%m-%d'),
            })
            train_end_date += train_update_days

        if not rollings:
            raise Exception('没有滚动需要执行，请检查配置')

        if is_live_run and rolling_count_for_live:
            rollings = rollings[-rolling_count_for_live:]

        return rollings

    g = bq_graph

    rolling_dates = gen_rolling_dates(
        trading_days_market, start_date, end_date, train_update_days, train_update_days_for_live, train_data_min_days, train_data_max_days, rolling_count_for_live)

    # 训练和预测
    results = []
    for rolling in rolling_dates:
        parameters = {}
        # 先禁用回测
        parameters[trade_mid + '.__enabled__'] = False
        parameters[train_instruments_mid + '.start_date'] = rolling['train_start_date']
        parameters[train_instruments_mid + '.end_date'] = rolling['train_end_date']
        parameters[test_instruments_mid + '.start_date'] = rolling['test_start_date']
        parameters[test_instruments_mid + '.end_date'] = rolling['test_end_date']
        # print('------ rolling_train:', parameters)
        results.append(g.run(parameters))

    # 合并预测结果并回测
    mx = M.cached.v3(run=merge_datasources, input_1=[result[predict_mid].data_1 for result in results])
    parameters = {}
    parameters['*.__enabled__'] = False
    parameters[trade_mid + '.__enabled__'] = True
    parameters[trade_mid + '.instruments'] = mx.instrument_data
    parameters[trade_mid + '.options_data'] = mx.data

    trade = g.run(parameters)

    return {'rollings': results, 'trade': trade}

m19 = M.hyper_rolling_train.v1(
    run=m19_run_bigquant_run,
    run_now=True,
    bq_graph=g
)

[2022-09-15 19:58:03.959480] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.026542s].

[2022-09-15 19:58:03.980863] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-15 19:58:03.989780] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:03.992447] INFO: moduleinvoker: input_features.v1 运行完成[0.011603s].

[2022-09-15 19:58:04.002092] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:04.011062] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.013066] INFO: moduleinvoker: instruments.v2 运行完成[0.010985s].

[2022-09-15 19:58:04.018840] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:04.041270] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.044733] INFO: moduleinvoker: instruments.v2 运行完成[0.025886s].

[2022-09-15 19:58:04.081272] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.02189s].

[2022-09-15 19:58:04.095619] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-15 19:58:04.102433] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.104662] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.009061s].

[2022-09-15 19:58:04.125751] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:04.133734] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.135992] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.010259s].

[2022-09-15 19:58:04.151191] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:04.157430] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.159579] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.008398s].

[2022-09-15 19:58:04.195011] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.015534s].

[2022-09-15 19:58:04.204745] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:04.211330] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.213873] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.00911s].

[2022-09-15 19:58:04.224939] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:04.264340] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.266240] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.041303s].

[2022-09-15 19:58:04.303384] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.013628s].

[2022-09-15 19:58:04.315223] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-15 19:58:04.328296] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.330636] INFO: moduleinvoker: join.v3 运行完成[0.01549s].

[2022-09-15 19:58:04.345806] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:04.354509] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.357276] INFO: moduleinvoker: dropnan.v1 运行完成[0.011476s].

[2022-09-15 19:58:04.570418] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.203263s].

[2022-09-15 19:58:04.587932] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:04.597791] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.600182] INFO: moduleinvoker: dropnan.v1 运行完成[0.012269s].

[2022-09-15 19:58:04.621742] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:04.631476] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.634462] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.012747s].

[2022-09-15 19:58:04.657446] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.005676s].

[2022-09-15 19:58:04.671716] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:04.679470] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.682076] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.010365s].

[2022-09-15 19:58:04.705116] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.01348s].

[2022-09-15 19:58:04.725295] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.011423s].

[2022-09-15 19:58:04.752641] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.017459s].

[2022-09-15 19:58:04.816045] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:04.825229] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.827139] INFO: moduleinvoker: cached.v3 运行完成[0.011118s].

[2022-09-15 19:58:04.829239] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.069585s].

[2022-09-15 19:58:04.835081] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-09-15 19:58:04.842698] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.845566] INFO: moduleinvoker: dl_model_train.v1 运行完成[0.010481s].

[2022-09-15 19:58:04.852281] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2022-09-15 19:58:04.861310] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.863789] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.011504s].

[2022-09-15 19:58:04.889999] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:04.899574] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.902244] INFO: moduleinvoker: cached.v3 运行完成[0.012273s].

[2022-09-15 19:58:04.914188] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.001923s].

[2022-09-15 19:58:04.921994] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-15 19:58:04.951467] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.953910] INFO: moduleinvoker: input_features.v1 运行完成[0.031933s].

[2022-09-15 19:58:04.960994] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:04.976423] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.979820] INFO: moduleinvoker: instruments.v2 运行完成[0.018821s].

[2022-09-15 19:58:04.987107] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:04.995574] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:04.998408] INFO: moduleinvoker: instruments.v2 运行完成[0.011299s].

[2022-09-15 19:58:05.033113] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.017999s].

[2022-09-15 19:58:05.045692] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-15 19:58:05.054801] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.056980] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.011302s].

[2022-09-15 19:58:05.075630] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:05.087316] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.090126] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.014529s].

[2022-09-15 19:58:05.111575] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:05.118519] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.120619] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.009075s].

[2022-09-15 19:58:05.162199] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.032006s].

[2022-09-15 19:58:05.195107] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:05.204916] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.207628] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.012487s].

[2022-09-15 19:58:05.226416] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:05.237951] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.242317] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.015875s].

[2022-09-15 19:58:05.264920] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.013763s].

[2022-09-15 19:58:05.301380] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-15 19:58:05.311991] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.315073] INFO: moduleinvoker: join.v3 运行完成[0.013674s].

[2022-09-15 19:58:05.336034] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:05.344983] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.347297] INFO: moduleinvoker: dropnan.v1 运行完成[0.011272s].

[2022-09-15 19:58:05.517227] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.16307s].

[2022-09-15 19:58:05.547424] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:05.557417] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.559630] INFO: moduleinvoker: dropnan.v1 运行完成[0.012187s].

[2022-09-15 19:58:05.586700] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:05.599483] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.602012] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.01534s].

[2022-09-15 19:58:05.616365] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.005434s].

[2022-09-15 19:58:05.635547] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:05.643876] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.646418] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.010895s].

[2022-09-15 19:58:05.665309] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.011336s].

[2022-09-15 19:58:05.695189] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.007118s].

[2022-09-15 19:58:05.726021] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.021913s].

[2022-09-15 19:58:05.791178] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:05.800289] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.803223] INFO: moduleinvoker: cached.v3 运行完成[0.012074s].

[2022-09-15 19:58:05.806186] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.072723s].

[2022-09-15 19:58:05.812032] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-09-15 19:58:05.820450] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.823103] INFO: moduleinvoker: dl_model_train.v1 运行完成[0.011066s].

[2022-09-15 19:58:05.832172] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2022-09-15 19:58:05.840864] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.843350] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.011203s].

[2022-09-15 19:58:05.858781] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:05.872361] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.875484] INFO: moduleinvoker: cached.v3 运行完成[0.016697s].

[2022-09-15 19:58:05.886353] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.001728s].

[2022-09-15 19:58:05.892856] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-15 19:58:05.902339] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.904506] INFO: moduleinvoker: input_features.v1 运行完成[0.011658s].

[2022-09-15 19:58:05.911686] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:05.921331] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.923401] INFO: moduleinvoker: instruments.v2 运行完成[0.01172s].

[2022-09-15 19:58:05.930218] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:05.939057] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.941038] INFO: moduleinvoker: instruments.v2 运行完成[0.010833s].

[2022-09-15 19:58:05.958738] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.010671s].

[2022-09-15 19:58:05.980610] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-15 19:58:05.988961] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:05.991026] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.010445s].

[2022-09-15 19:58:06.017179] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:06.027657] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.029963] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.012803s].

[2022-09-15 19:58:06.047907] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:06.056884] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.059158] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.011292s].

[2022-09-15 19:58:06.096095] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.015287s].

[2022-09-15 19:58:06.106300] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:06.114005] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.116481] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.010188s].

[2022-09-15 19:58:06.124848] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:06.132815] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.134690] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.009842s].

[2022-09-15 19:58:06.154679] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.012793s].

[2022-09-15 19:58:06.163716] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-15 19:58:06.178125] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.180408] INFO: moduleinvoker: join.v3 运行完成[0.016691s].

[2022-09-15 19:58:06.192508] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:06.201471] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.203943] INFO: moduleinvoker: dropnan.v1 运行完成[0.011433s].

[2022-09-15 19:58:06.388567] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.152765s].

[2022-09-15 19:58:06.398036] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:06.406358] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.408359] INFO: moduleinvoker: dropnan.v1 运行完成[0.010326s].

[2022-09-15 19:58:06.422037] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:06.429417] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.432508] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.010474s].

[2022-09-15 19:58:06.467765] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.006231s].

[2022-09-15 19:58:06.512953] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:06.524900] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.528457] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.01553s].

[2022-09-15 19:58:06.550445] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.011869s].

[2022-09-15 19:58:06.563084] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.004865s].

[2022-09-15 19:58:06.602758] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.018772s].

[2022-09-15 19:58:06.660673] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:06.681582] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:06.684623] INFO: moduleinvoker: cached.v3 运行完成[0.023934s].

[2022-09-15 19:58:06.688123] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.07771s].

[2022-09-15 19:58:06.698214] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-09-15 19:58:07.104742] INFO: dl_model_train: 准备训练，训练样本个数：100，迭代次数：10

[2022-09-15 19:58:12.882426] INFO: dl_model_train: 训练结束，耗时：5.78s

[2022-09-15 19:58:12.931318] INFO: moduleinvoker: dl_model_train.v1 运行完成[6.233099s].

[2022-09-15 19:58:12.939942] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2022-09-15 19:58:13.743112] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.803179s].

[2022-09-15 19:58:13.759140] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:14.020572] INFO: moduleinvoker: cached.v3 运行完成[0.261471s].

[2022-09-15 19:58:14.032173] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.002072s].

[2022-09-15 19:58:14.037290] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-15 19:58:14.044169] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.046384] INFO: moduleinvoker: input_features.v1 运行完成[0.009113s].

[2022-09-15 19:58:14.052471] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:14.059418] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.061365] INFO: moduleinvoker: instruments.v2 运行完成[0.008895s].

[2022-09-15 19:58:14.075912] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:14.091963] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.094060] INFO: moduleinvoker: instruments.v2 运行完成[0.018154s].

[2022-09-15 19:58:14.114976] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.01265s].

[2022-09-15 19:58:14.125755] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-15 19:58:14.133484] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.137217] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.01145s].

[2022-09-15 19:58:14.156789] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:14.165862] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.168041] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.01129s].

[2022-09-15 19:58:14.186988] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:14.194552] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.196843] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.00987s].

[2022-09-15 19:58:14.228919] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.022942s].

[2022-09-15 19:58:14.238516] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:14.253462] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.255841] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.01733s].

[2022-09-15 19:58:14.264213] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:14.270881] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.272903] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.008691s].

[2022-09-15 19:58:14.295794] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.011156s].

[2022-09-15 19:58:14.308219] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-15 19:58:14.322070] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.324326] INFO: moduleinvoker: join.v3 运行完成[0.016106s].

[2022-09-15 19:58:14.333929] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:14.343387] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.346022] INFO: moduleinvoker: dropnan.v1 运行完成[0.012084s].

[2022-09-15 19:58:14.536662] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.183707s].

[2022-09-15 19:58:14.563017] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:14.582453] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.584385] INFO: moduleinvoker: dropnan.v1 运行完成[0.021374s].

[2022-09-15 19:58:14.605700] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:14.613366] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.616708] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.011009s].

[2022-09-15 19:58:14.631143] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.005711s].

[2022-09-15 19:58:14.658171] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:14.666014] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.668082] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.009946s].

[2022-09-15 19:58:14.694211] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.013924s].

[2022-09-15 19:58:14.706035] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.004438s].

[2022-09-15 19:58:14.731008] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.016789s].

[2022-09-15 19:58:14.789370] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:14.797183] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.799702] INFO: moduleinvoker: cached.v3 运行完成[0.010354s].

[2022-09-15 19:58:14.802447] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.063015s].

[2022-09-15 19:58:14.807566] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-09-15 19:58:14.815427] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.817999] INFO: moduleinvoker: dl_model_train.v1 运行完成[0.01043s].

[2022-09-15 19:58:14.823255] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2022-09-15 19:58:14.832862] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.836564] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.013318s].

[2022-09-15 19:58:14.854976] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:14.865507] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.867602] INFO: moduleinvoker: cached.v3 运行完成[0.012648s].

[2022-09-15 19:58:14.889673] INFO: moduleinvoker: dl_layer_input.v1 运行完成[0.002107s].

[2022-09-15 19:58:14.898903] INFO: moduleinvoker: input_features.v1 开始运行..

[2022-09-15 19:58:14.905915] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.908475] INFO: moduleinvoker: input_features.v1 运行完成[0.009582s].

[2022-09-15 19:58:14.915974] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:14.922545] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.924559] INFO: moduleinvoker: instruments.v2 运行完成[0.008608s].

[2022-09-15 19:58:14.931356] INFO: moduleinvoker: instruments.v2 开始运行..

[2022-09-15 19:58:14.938401] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:14.940358] INFO: moduleinvoker: instruments.v2 运行完成[0.00902s].

[2022-09-15 19:58:14.960449] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.012199s].

[2022-09-15 19:58:14.987419] INFO: moduleinvoker: advanced_auto_labeler.v2 开始运行..

[2022-09-15 19:58:15.000216] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.002887] INFO: moduleinvoker: advanced_auto_labeler.v2 运行完成[0.015472s].

[2022-09-15 19:58:15.025985] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:15.054492] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.056732] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.030752s].

[2022-09-15 19:58:15.070895] INFO: moduleinvoker: general_feature_extractor.v7 开始运行..

[2022-09-15 19:58:15.079906] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.082367] INFO: moduleinvoker: general_feature_extractor.v7 运行完成[0.011488s].

[2022-09-15 19:58:15.107346] INFO: moduleinvoker: dl_layer_conv2d.v1 运行完成[0.015532s].

[2022-09-15 19:58:15.115459] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:15.125544] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.127743] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.012282s].

[2022-09-15 19:58:15.137684] INFO: moduleinvoker: derived_feature_extractor.v3 开始运行..

[2022-09-15 19:58:15.145337] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.147608] INFO: moduleinvoker: derived_feature_extractor.v3 运行完成[0.009919s].

[2022-09-15 19:58:15.171095] INFO: moduleinvoker: dl_layer_reshape.v1 运行完成[0.016005s].

[2022-09-15 19:58:15.194654] INFO: moduleinvoker: join.v3 开始运行..

[2022-09-15 19:58:15.205904] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.207905] INFO: moduleinvoker: join.v3 运行完成[0.013266s].

[2022-09-15 19:58:15.224680] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:15.231903] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.234299] INFO: moduleinvoker: dropnan.v1 运行完成[0.009681s].

[2022-09-15 19:58:15.387763] INFO: moduleinvoker: dl_layer_lstm.v1 运行完成[0.141695s].

[2022-09-15 19:58:15.398667] INFO: moduleinvoker: dropnan.v1 开始运行..

[2022-09-15 19:58:15.405596] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.407848] INFO: moduleinvoker: dropnan.v1 运行完成[0.009183s].

[2022-09-15 19:58:15.422067] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:15.429524] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.431883] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.009833s].

[2022-09-15 19:58:15.447614] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.00634s].

[2022-09-15 19:58:15.476232] INFO: moduleinvoker: dl_convert_to_bin.v2 开始运行..

[2022-09-15 19:58:15.485701] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.488059] INFO: moduleinvoker: dl_convert_to_bin.v2 运行完成[0.01184s].

[2022-09-15 19:58:15.514011] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.015489s].

[2022-09-15 19:58:15.528634] INFO: moduleinvoker: dl_layer_dropout.v1 运行完成[0.006124s].

[2022-09-15 19:58:15.551292] INFO: moduleinvoker: dl_layer_dense.v1 运行完成[0.014534s].

[2022-09-15 19:58:15.611981] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:15.621098] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.622970] INFO: moduleinvoker: cached.v3 运行完成[0.011009s].

[2022-09-15 19:58:15.624883] INFO: moduleinvoker: dl_model_init.v1 运行完成[0.067297s].

[2022-09-15 19:58:15.629361] INFO: moduleinvoker: dl_model_train.v1 开始运行..

[2022-09-15 19:58:15.636979] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.638770] INFO: moduleinvoker: dl_model_train.v1 运行完成[0.009411s].

[2022-09-15 19:58:15.644006] INFO: moduleinvoker: dl_model_predict.v1 开始运行..

[2022-09-15 19:58:15.662432] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.664539] INFO: moduleinvoker: dl_model_predict.v1 运行完成[0.020565s].

[2022-09-15 19:58:15.688105] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:15.696511] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:15.699162] INFO: moduleinvoker: cached.v3 运行完成[0.011057s].

[2022-09-15 19:58:15.713330] INFO: moduleinvoker: cached.v3 开始运行..

[2022-09-15 19:58:15.997183] INFO: moduleinvoker: cached.v3 运行完成[0.283831s].

[2022-09-15 19:58:16.054060] INFO: moduleinvoker: backtest.v8 开始运行..

[2022-09-15 19:58:16.062155] INFO: backtest: biglearning backtest:V8.6.3

[2022-09-15 19:58:16.064005] INFO: backtest: product_type:stock by specified

[2022-09-15 19:58:16.211975] INFO: moduleinvoker: cached.v2 开始运行..

[2022-09-15 19:58:16.223228] INFO: moduleinvoker: 命中缓存

[2022-09-15 19:58:16.225526] INFO: moduleinvoker: cached.v2 运行完成[0.013577s].

[2022-09-15 19:58:17.945748] INFO: backtest: algo history_data=DataSource(dee8aae5d744464983e2943ee9224e9dT)

[2022-09-15 19:58:17.947555] INFO: algo: TradingAlgorithm V1.8.8

[2022-09-15 19:58:18.453107] INFO: algo: trading transform...

[2022-09-15 19:58:19.574970] INFO: algo: handle_splits get splits [dt:2017-08-24 00:00:00+00:00] [asset:Equity(87 [600009.SHA]), ratio:0.9882099032402039]

[2022-09-15 19:58:19.577336] INFO: Position: position stock handle split[sid:87, orig_amount:36200, new_amount:36631.0, orig_cost:27.61057956776991, new_cost:27.285, ratio:0.9882099032402039, last_sale_price:36.8799934387207]

[2022-09-15 19:58:19.581349] INFO: Position: after split: PositionStock(asset:Equity(87 [600009.SHA]), amount:36631.0, cost_basis:27.285, last_sale_price:37.31999969482422)

[2022-09-15 19:58:19.583959] INFO: Position: returning cash: 32.9548

[2022-09-15 19:58:19.961558] INFO: Performance: Simulated 450 trading days out of 450.

[2022-09-15 19:58:19.963963] INFO: Performance: first open: 2016-03-03 09:30:00+00:00

[2022-09-15 19:58:19.966127] INFO: Performance: last close: 2017-12-29 15:00:00+00:00

[2022-09-15 19:58:23.983366] INFO: moduleinvoker: backtest.v8 运行完成[7.929316s].

[2022-09-15 19:58:23.985436] INFO: moduleinvoker: trade.v4 运行完成[7.976613s].

[2022-09-15 19:58:23.989189] INFO: moduleinvoker: hyper_rolling_train.v1 运行完成[20.110367s].

DataSource(4ce1c441fb9d43caac20c9d6c87f9ecbT)

DataSource(65cc6a79ecc34578973f15df22ad78bdT)

Epoch 1/10
1/1 [==============================] - ETA: 0s - loss: 1.0234 - accuracy: 0.48001/1 [==============================] - 4s 4s/step - loss: 1.0234 - accuracy: 0.4800
Epoch 2/10
1/1 [==============================] - ETA: 0s - loss: 1.0514 - accuracy: 0.47001/1 [==============================] - 0s 144ms/step - loss: 1.0514 - accuracy: 0.4700
Epoch 3/10
1/1 [==============================] - ETA: 0s - loss: 0.8765 - accuracy: 0.53001/1 [==============================] - 0s 138ms/step - loss: 0.8765 - accuracy: 0.5300
Epoch 4/10
1/1 [==============================] - ETA: 0s - loss: 1.0460 - accuracy: 0.44001/1 [==============================] - 0s 142ms/step - loss: 1.0460 - accuracy: 0.4400
Epoch 5/10
1/1 [==============================] - ETA: 0s - loss: 1.0117 - accuracy: 0.47001/1 [==============================] - 0s 123ms/step - loss: 1.0117 - accuracy: 0.4700
Epoch 6/10
1/1 [==============================] - ETA: 0s - loss: 0.8873 - accuracy: 0.54001/1 [==============================] - 0s 128ms/step - loss: 0.8873 - accuracy: 0.5400
Epoch 7/10
1/1 [==============================] - ETA: 0s - loss: 0.8474 - accuracy: 0.57001/1 [==============================] - 0s 118ms/step - loss: 0.8474 - accuracy: 0.5700
Epoch 8/10
1/1 [==============================] - ETA: 0s - loss: 0.9562 - accuracy: 0.47001/1 [==============================] - 0s 108ms/step - loss: 0.9562 - accuracy: 0.4700
Epoch 9/10
1/1 [==============================] - ETA: 0s - loss: 1.1646 - accuracy: 0.42001/1 [==============================] - 0s 130ms/step - loss: 1.1646 - accuracy: 0.4200
Epoch 10/10
1/1 [==============================] - ETA: 0s - loss: 0.9333 - accuracy: 0.49001/1 [==============================] - 0s 144ms/step - loss: 0.9333 - accuracy: 0.4900

1/1 - 0s
DataSource(86fe2e6f95144daf9b3176c103e1c890T)

DataSource(2fa617758e6d477ca2c786c4db44da15T)

DataSource(970e6085389a4e86bbf46016a4fe2897T)

2017-03-01 15:00:00+00:00 买入！

收益率64.9%
年化收益率32.33%
基准收益率32.1%
阿尔法0.27
贝塔0.27
夏普比率1.32
胜率1.0
盈亏比0.0
收益波动率20.5%
信息比率0.04
最大回撤11.53%

bigcharts-data-start/{"__type":"tabs","__id":"bigchart-56c84c930cf64eeaa3e81d5db6d0c3f2"}/bigcharts-data-end