细碎的想法
    · 这个 stock_data_list 里面的这个 test_X 和 test_y 里面 有个 (876, 30, 1) 的 array 是什么？为什么会是这样的数据
    876 指的是这里一个股票会分为867个批次一次性计算

    · rnn 的 gpu训练模式怎么开启，怎么确定是gpu训练，老子fine-tune一个 bert 跑了 1天都跑不完

    · 数据处理
    · 如果没有选择特定的股票，先筛选 500 个股票
    · 然后是 normalize （主要是计算 percentage，涨多少和跌多少）
    · 然后是分训练、验证集
    · 然后分 epoch


    · input_size 和 num_steps（这个应该是序列长度） 的关系
    · epoch 和 num_steps 的关系，没什么关系，epoch 是 训练轮次， num_step 是序列长度

    · 怎么使用这个模型？
    可以这么用，直接加载训练完的模型之后，调用 sess run 的方法，注意run的方法要写对

    2. def predict(self):
    3.     # TODO process test data
    4.     # session run neutral network
    5.     # get result and calculate the loss
    6.     import pandas as pd
    7.     import numpy as np
    9.     raw_df = pd.read_csv(os.path.join("data", "%s.csv" % 'SP500'))
    11.     raw_seq = raw_df['Close'].tolist()
    13.     seq = np.array(raw_seq)
    15.     seq = [np.array(raw_seq[i * self.input_size: (i + 1) * self.input_size])
    16.            for i in range(len(raw_seq) // 1)]
    18.     seq = [seq[0] / seq[0][0] - 1.0] + [
    19.         curr / seq[i][-1] - 1.0 for i, curr in enumerate(seq[1:])]
    21.     i = -1
    22.     k = i - 30
    24.     test_data = np.array([seq[k:i]])
    25.     test_data_y = np.array([seq[i]])
    27.     print(raw_seq[k:i])
    28.     print(raw_seq[i])
    31.     test_data_feed = {
    32.         self.inputs: test_data,
    33.         self.targets: test_data_y,
    34.         self.keep_prob: 1.0
    35.     }
    37.     print('test data', test_data)
    38.     print('test data y ', test_data_y)
    40.     final_pred, final_loss = self.sess.run([self.pred, self.loss], test_data_feed)
    41.     print('final result' ,final_pred, final_loss)

    · 一般 tensorflow 网络 编程习惯
    · 配置
    · 读入模型
    · 读入数据
    · train & validate
    · predict

    · 能不能把量，这个变量加上去

    · 用 xgboost 方法看看哪个好用？

    · 这个模型在训练的时候，在本数据集表现得很好，但是在测试集上面表现得几乎没有 predict 的能力
    原因一：
    训练的数据源的问题，数据源没有足够的预测能力
    ~~训练过拟合 - ~~

    · 为什么图画出来是能够避开下跌的位置，但是预测得不好

    这个图型对不上很可能是这个_flatten方法被我改了

    但是这里有个结论，如果考虑量价因素，能够成功地预测到大涨和大跌
    image.png