使用TensorFlow 2.0赚钱

概述

这是Siraj Raval在YouTube上发布的关于使用TensorFlow 2.0赚钱的视频链接所对应的代码。在视频中，我演示了一个名为NeuralFund的应用程序，该程序利用深度学习来进行投资决策。

拉取请求

我鼓励大家提交拉取请求，以改进这段代码。

依赖项

• TensorFlow 2.0
• Flask
• TensorFlow Serving

使用说明

NeuralFund是由两个GitHub仓库组合而成的项目，目前仍在开发中。

首先，我以这个TensorFlow Serving Web应用的骨架代码作为基础项目。在这个应用中，作者将TF Serving与Flask集成，构建了一个支持持续训练流水线的架构。请下载该代码并在本地运行。

其次，我使用了我在上一个视频中提供的Flask样板代码，因为它已经实现了用户认证和MySQL数据库的集成。这部分代码位于本仓库的相应文件夹中。

待办事项： 步骤1 - 将这两个仓库合并：从简单的TF Serving演示开始，将样板演示中的用户认证和SQL代码复制并粘贴到简单的TF Serving演示中。

步骤2 - 在简单TF Serving演示中的train.py文件的main()函数下，添加这个代码片段，用于从网上实时获取股票数据。它将根据持续训练流水线动态地执行此操作。

步骤3 - 在前端的任意位置添加这个TradingView图表小部件，以便更好地展示股票信息。

步骤4 - 模型目前可以进行时间序列预测，但如果它还能预测应该买入哪只股票呢？可以同时训练三个独立的模型，分别针对三种不同的股票价格进行训练。训练完成后，让它们进行推理以预测下一次的价格，并选择预测中较前一次价格上涨幅度最大的那只股票。

步骤5 - 再训练三个模型，分别基于每只股票的谷歌新闻API提供的三个新闻数据集。使用像BERT这样的预训练模型进行情感分析。最终选择情感和价格预测都最优的那只股票。

步骤6 - 探索如何在TensorFlow Serving中实现深度强化学习。目前我尚未在GitHub上看到相关的示例。也许我会在我的下一个视频中尝试实现这一点。将市场视为一个马尔可夫决策过程，智能体的动作包括买入、卖出或持有。

致谢

toebit3hub、TensorFlow团队、cedrickchee、我的父母、我的巫师们、所有在我之前存在过的人类——感谢你们！我只是知识的一个暂时载体而已。

Make_Money_with_Tensorflow_2.0 快速上手指南

本项目是 Siraj Raval 关于利用 TensorFlow 2.0 构建投资决策应用（NeuralFund）的配套代码。该项目旨在结合深度学习、Flask 后端和实时股票数据，构建一个连续训练的投资预测原型。

注意：根据原作者说明，本项目目前处于“进行中”（Work in Progress）状态，核心逻辑需要开发者手动合并两个不同的仓库代码并完成后续功能开发。以下指南基于 README 提供的架构思路整理。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 Linux 环境以获得最佳兼容性)
• Python 版本：Python 3.6+
• 核心依赖：
  • TensorFlow 2.0
  • Flask
  • TensorFlow Serving
  • MySQL (用于用户认证和数据存储)
  • Git

建议在国内开发者使用国内镜像源加速依赖安装（如清华源或阿里源）。

安装步骤

由于项目由两部分组成，我们需要先获取基础骨架代码，再整合用户认证模块。

1. 获取基础项目代码

首先克隆作为基础的 TensorFlow Serving Web 应用骨架：

git clone https://github.com/tobegit3hub/simple_tensorflow_serving.git
cd simple_tensorflow_serving

2. 安装 Python 依赖

建议使用虚拟环境，并配置国内镜像源加速安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
# 如果上述命令未包含所有依赖，请手动安装核心包：
pip install tensorflow==2.0.0 flask tensorflow-serving-api -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 整合用户认证与数据库模块

原作者提到需将另一个仓库中的用户认证 + MySQL 代码复制到此项目中。 您需要克隆或下载 AI_Startup_Prototype 中的相关文件夹内容，并将其复制到当前的 simple_tensorflow_serving 目录中，以完善用户登录和数据库连接功能。

4. 配置数据库

确保本地已安装并运行 MySQL 服务，并根据整合后的代码配置数据库连接字符串（通常在配置文件或环境变量中）。

基本使用

完成代码合并与环境配置后，可按照以下步骤启动原型并进行初步的功能扩展开发。

1. 启动本地服务

在项目根目录下运行主程序（具体入口文件可能因合并后的结构调整而异，通常为 main.py 或通过 Flask 启动）：

python main.py
# 或者如果是通过 gunicorn 等工具
gunicorn main:app

2. 实现核心功能开发路线 (TODO)

根据原作者规划，启动基础服务后，您需要按顺序实现以下逻辑以使 "NeuralFund" 完整运行：

• 步骤 1：代码合并 将用户认证和 SQL 代码从样板演示复制到 simple_tensorflow_serving 演示中。

• 步骤 2：接入实时数据 在 train.py 文件的 main() 函数下，添加以下代码片段以动态拉取实时股票数据：

  # 参考链接: https://gist.github.com/sanand0/7243974
  # 在此处插入拉取实时股票数据的逻辑
  

• 步骤 3：前端可视化 在前端页面任意位置嵌入 TradingView 高级图表组件：

  <!-- 参考链接: https://www.tradingview.com/widget/advanced-chart/ -->
  <!-- 嵌入 TradingView Widget 代码 -->
  

• 步骤 4：多模型价格预测 训练 3 个独立的模型分别处理 3 只不同股票的价格时间序列。推理时，选择预测涨幅最高的股票。

• 步骤 5：情感分析增强 利用 Google News API 获取新闻数据，使用预训练模型（如 BERT）进行情感分析：

  # 参考库: https://github.com/cedrickchee/pytorch-pretrained-BERT
  # 结合价格预测和情感得分，选出最优投资标的
  

• 步骤 6：深度强化学习 (进阶) 将市场建模为马尔可夫决策过程 (MDP)，代理动作包括买入、卖出或持有。此部分需自行探索在 TensorFlow Serving 中的实现方案。

通过以上步骤，您将构建出一个具备实时数据获取、多模型预测及情感分析能力的智能投资原型系统。