第36章 没有机制，全是数值 (第2/3页)
~嗡~
口袋的手机发出震动，这是他提前设置好的闹钟。
周昀睁开眼睛，下意识地咽了口口水。
屏幕的左边，实时的股市数据开始跳动，一蓝一红两个点同时出现，蓝的是实盘价格，红的是预测价格。
开盘价格，两个点几乎重合，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
（本章未完，请点击下一页继续阅读）