几天后，实验室里，周昀看着屏幕上仅有0.05%的平均误差和高达80%的预测准确率，满意地点点头。（误差已经将交易成本计算在内）
所谓平均误差就是模型预测价格值与真实值的差值。
这无疑是一个非常恐怖的数字。
根据他的推测，哪怕是世界上最顶尖的量化模型，误差也就是0.1%上下，预测准确率可能也就60%左右。
至于为什么这样看上去并不优秀的准确率和误差也能让顶级量化模型大赚特赚？
很简单，这就像是抛硬币一样，模型做的是猜下一秒是正还是反，也就是涨跌，假设顶尖模型可能猜对的概率是55%。
模型不是人，一秒钟它就能猜几十次、几百次并且自动下注交易。
每次猜对了，只赚非常非常少的钱，比如，一个100块的东西，猜对了，可能就赚几分钱。猜错了，也立刻止损，亏的也是几分钱。
一天内，它能猜几十万甚至上百万次，而每一次的概率都有55%。
除掉亏损，一天的利润也是一个巨大的数字，这就叫积少成多。
而0.05%的平均误差和80%的预测准确率，意味着他的模型“赢面”更大，每次能赚/亏的钱可以控制得更精准。
用一句话来形容就是——没有机制，全是数值。
不过现在高兴还为时尚早。
虽然在测试集上表现不错，但是模拟终究是模拟。
实践才是检验真理的唯一标准。
将最近十天的新数据整理好输入到模型里开始重新训练，现在距离美股开盘还有十几个小时，足够完成微调了。
如果晚上实验结果顺利的话，这个预研项目也差不多可以宣告结束了。
晚上九点二十，周昀破天荒的没有回宿舍，还待在实验室里。
虽然几位师兄都挺好奇的，但是看着周昀一脸认真的样子他们也不好意思打扰哦。
最后检查了一遍程序没有问题，他靠在椅子上闭目养神，等待着最后的十分钟。
时间一分一秒地流逝。
嗡~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。