supernetwork分享 http://blog.sciencenet.cn/u/halcon Green Templeton, SBS

博文

基于深度学习和网络聚类的量化交易策略研究

已有 7002 次阅读 2018-3-17 15:10 |系统分类:论文交流

   2017年暑假,国圣联系我问我可不可以将深度学习和量化交易结合起来,一起合作做一些有趣的事情。于是国圣,爱丁堡大学的永鑫,我们三个一起讨论了几个就大概确定了一个工作的思路和框架。当时国圣正好在厦门大学访问,于是联合厦门大学做股票数据的图像生成与特征识别,理工大学团队构建股票网络,并进行集团结构识别,财大团队做组合投资策略和回测实验。大家合作的效率非常高,一个月就搞定了所有的实验。接下来就是国圣痛苦的写作过程,哈哈。

   国圣和我是十多年前在大连民族学院一起参加美赛的时候认识的,后来国圣从吉林大学毕业后赴英国深造,专攻人脸的三维重建和人脸识别,是国际上最早用深度学习进行图像识别的专家。永鑫是机器学习+金融的专家,2016年在AAAI上发表了一篇文章研究了用机器学习进行欧式期权定价的工作,研究经历非常神奇。闲言少叙,介绍一下这个工作的具体贡献吧。

   股票相似性的准确度量是经典组合投资理论的基础。然而,由于股票收益率的动态波动、非平稳性等特征,使得经典的Pearson相关,相对熵等方面只能对一段时间的股票收益率相关性进行计算,无法对微观的波动特征相关性进行识别和度量。结合深度学习和网络科学中的聚类方法,获得了比经典的方法都高的回报率。具体操作方法如下:首先,采集了英国、美国等市场近10年的数据,利用每20天的最高价、最低价、开盘价、收盘价画出20天的股价波动图。利用深度学习对股票图形的特征进行学习,进而转化为512维的向量。其次,计算不同股票之间的相关性,利用网络科学方法生成股票加权网络,并利用快速聚类方法获得不同的类别。最后,选取每个类中Sharp比例最高的的股票构建投资组合。不同数据集合上的实验结果表明,基于深度学习和网络聚类的方法比排名最靠前的基金收益率要高,而且比经典的基于原始股价波动图和K-means聚类等方法的结果都要好。该工作证明深度学习和网络科学可以挖掘出经典方法不能识别的信息,为深度学习和网络科学在量化投资领域的应用奠定了基础。

    其实这个工作只能算是抛砖引玉,还有很多问题可以进一步挖掘。例如如何将图像中的特殊构型与投资组合收益的关联关系进行挖掘,选股策略还有更适合个股选股的一些指标,如何使用增强学习对模型进行自适应学习训练,等等问题都需要进一步研究。


文章的全文可以从Arxiv下载:https://arxiv.org/abs/1709.03803



https://blog.sciencenet.cn/blog-112086-1104391.html

上一篇:P2P借贷平台借款人自披露信息对投资行为的影响研究
下一篇:参加第一届“英贤”跨学科论坛——大数据时代的经济分析与管理决策有感
收藏 IP: 202.121.132.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-19 17:10

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部