一些深度學習在股票交易應用的遐想
雖然金融領域是計算密集程度很高的一個領域，但是我們也有很多的監督模型和非監督模型在這個領域應用。但是由於金融領域的複雜性以及數據的非線性，使得很多的模型都會過度擬合，因為各個數據點之間彼此的關聯度很高。
為了解決這個問題，我們聯想到了現在最熱門的深度學習技術。深度學習技術在圖像處理，語音識別或者情感分析等領域都有了比較好的效果，我們發現這些模型可以從大規模的標記數據中學習，形成非線性關係，並且可以有方法來調整參數避免過度擬合。
如果這些模型可以在金融領域找到對應的應用，那麼這個影響會是非常廣泛的。比如，這些模型可以用於定價，投資組合構建，風險管理甚至是高頻交易等領域。因此，今天也讓我們對一些領域進行簡單的分析。
投資回報預測
以預測每日黃金價格為例子，讓我們首先來看看傳統的方法是如何處理的。
ARIMA
使用 ARIMA 技術，試圖預測黃金價格，我們得到如下結果：
VAR
如果我們將相關的預測變數添加到我們的自回歸模型中，並且轉到向量自回歸模型，那麼我們就可以得到如下結果：
深度學習回歸 (Deep Regression)
如果我們在數據上應用簡單的深度學習回歸模型，使用相同的輸入數據，那麼我們可以得到更好的結果，如下：
卷積神經網路
修改我們上述的神經網路模型，我們使用卷積神經網路來替代上述的普通神經網路，得到的結果如下：
這個結果看起來已經不錯了，但是接下來的模型會帶來更加好的結果。
LSTM
LSTM 是循環神經網路的一個變體，它帶來了更好的結果，如下所示：
總的來說，如果從均方誤差的值來進行評估，我們的模型效果越來越好。
投資組合
我們嘗試利用深度學習解決的第二個問題就是投資組合問題。我們的研究是收到一篇叫做Deep learning for finance: deep portfolios的論文啟發，深度學習在這個問題上面有一個很好的組合架構。
文章的作者試圖做的是將自己的時間序列映射到自己設計的自編碼器中。把這些自編碼器的預測誤差稱為股票 beta 值，也就是自編碼器就可以成為市場反應了。
基於上述自編碼器的預測誤差來選擇多種股票組合，我們還可以使用另一個神經網路來構造一個指數預測模型，這樣把兩個模型進行結合，那麼會達到很好的效果。
這裡的深度神經網路的一些特徵數據來構造股票指數模型。
但這只是一個開始，如果我們應用一些智能檢索，將一些衰減股票進行剔除，並且在一些優質股票上面對指數模型進行強化，那麼我們就可以獲得超過指數的投資回報。
也許這個技術在投資組合領域具有巨大的潛力。
總結
當前的金融投資環境是在引入各種建模人才，使得大量的數據科學家都在進入這個領域，這對傳統金融行業來說是一大挑戰。你看像 RelTec 和 Worldquant 這樣的對沖基金都已經在他們的交易系統中使用這種技術了。隨著這些複雜模型在其他領域已經有了不錯的表現，但是在金融建模領域才剛剛開始，這其中有一個巨大的創新空間。
如果我們能在金融領域應用我們的這些工具來提高效率，提高交易模型透明度，那麼這將給我們帶來巨額的回報。
完整代碼可以點擊這裡。
作者：chen_h
CoderPai 是一個專註於人工智慧在量化交易應用的演算法實戰平台，主要關注人工智慧在文本和金融上面的應用。如果你對人工智慧感興趣，請快快關注 「CoderPai」 微信號（coderpai）吧。
TAG:coderpai |