一致！
和真实的情况的误差不到0.01%。
但是如果仔细观察就会发现，红色的点出现的时间比蓝色的要早大概一秒钟。
从这一刻开始，模型的另一个功能开始运转，周昀把它称之为实时演算。
模型会根据实时的股票数据对已经完成训练的模型进实时的微调，这种在线学习的方式，现有技术其实已经可以实现了。
但是OracleNet厉害的地方就在于，它可以把这个时间压缩到毫秒级别，这个时间哪怕是在金融市场这种争分夺秒的领域，都是非常非常快的，
再加上模型本身就有预测能力，即使是加上这个延迟，模型的预测数据还是跑在实时数据的前面。
至于为什么需要实时演算，原因也很简单，市场每时每刻都在变化，完全基于历史数据可能存在一定偏差。
假设历史数据是到t时刻之前的所有数据，那么模型能够很好地预测t+1时刻的价格，但是要让他预测t+2时刻的价格可能会存在微小的偏差，比如突然的大额交易造成的股价波动。
那如果能用t->t+1之间的数据对模型进行微调，那么这点微小的差别就可能变得更小甚至消失。
随着时间的流逝，虽然两条线在中间有了一些误差，但是大致看上去两条线几乎就是完全重合。
晚上十一点，两根线仍旧没有发生太大地偏差。
此时，实验室里只剩下了周昀一个人。
一直等到了凌晨四点钟，窗外都有些蒙蒙亮了，线条停止了变化。
另一个屏幕上显示的平均误差只有0.049%。
他的嘴角抑制不住地向上扯动——成了！
和预想的一样，测试集上的结果没有问题，虽然不一定每次都能有这么好的结果，但是也不会相差太多，至少也是大大领先现有顶级量化模型的。
而且AI预测并不是完全代替人，量化模型只不过是量化交易中的一部分。
如何使用模型最终还要人来决定。
有了OracleNet的预测结果，就相当于照着答案进行交易，可能最终成绩会因为阅卷人的心情有所变化，但是绝对不可能会差，哪怕知道这个答案的时间只提前了一秒钟。
他靠回椅背，深深吸了一口气，又长长地呼出，心脏剧烈地跳动，也不知道是因为通宵还是太激动了。
电脑的屏幕依旧亮着，原本跳动的线条已经定格。
本章未完，请点击下一页继续阅读！