要瞭解是什麼影響股指期貨價格上漲還是下跌，需要整合儘可能多的數據(從不同的方面和角度來描述股指期貨)使用每天的數據：N天訓練各種演算法(七○％的數據)，並預測接下來的M-N天(測試數據)，再把預測結果與測試數據進行比較。【讀友提問】台商○偉公司張總問「面向股指期貨價格走勢，為什麼在超參數優化中使用深度學習呢？」答：預測股指期貨價格的變動：使用生成對抗性網路(GAN)預測時間序列數據，其中LSTM是一種遞迴神經網路(RNN用於時間序列數據，跟蹤所有以前的數據點，並可以捕獲隨時間發展的模式)，它是時間序列生成器，預測時間序列數據；而卷積神經網路(CNN)是鑒別器。成功訓練GAN是為獲得正確的超參數集：將使用貝葉斯優化和深度強化學習(DRL)來決定何時以及如何改變GAN的超參數。順帶一提的注意點：對數據的「品質」要進行統計檢查，確保數據不受異方差、多重共線性或序列相關性的影響。在神經網路的訓練中創建股指期貨價格特徵，對每個特徵執行重要性檢查。最後，利用一些有關股票市場運作機制的領域知識進行了初始特徵選擇(例如，選擇相關基本面、技術指標等等)。數據點形成小趨勢，小趨勢形成大趨勢，趨勢進而形成模式。卷積神經網路(CNNs)檢測特徵的能力，可用於提取有關股指期貨價格走勢模式的資訊。股指期貨市場一直在變化，即使成功地訓練了GAN和LSTM來創建非常準確的結果，結果也可能只在一定時期內有效。換言之，超參數優化的深度學習：在超參數優化中要使用深度學習持續優化整個過程。
