量化研究每周精选-20170814

量化研究每周精选
标签: #<Tag:0x00007f73e06baa98>

(小Q) #1

导语:本周精选了5篇关于深度学习、机器学习在量化投资领域的应用文章。随着近年来机器学习和深度学习的发展,越来越多的人投入到研究的队伍中。希望读完这些报告的你能对其中的研究有自己的理解。BigQuant拥有海量的数据和主流开源AI框架,赋能每一位爱好机器学习/深度学习和量化交易的人。

  • 《股票预测:一种基于新闻特征抽取和循环神经网络的方法》

    关键词:股票预测、特征抽取、循环神经网络

    本文提出了一种预测股票涨跌的方法。在特征抽取方面,除了股价信息,作者还提取了与股票相关的新闻特征。文章先依据经验选取了一些能代表新闻利好和利空性质的种子单词,然后基于最优化方法计算出所有单词的利好极性(数量化的一个指标,便于对单词定量描述)。之后通过单词的利好极性构造出新闻的特征。模型方面,考虑到价格的时序性以及新闻影响的持续性,作者提出了一种循环神经网络模型。实验结果表明:相对于基于价格特征的SVM分类器,本文提出的方法在股票涨跌预测方面能有超过5%的提升。

  • 《Deep Learning for Multivariate Financial Time Series》

    关键词:反向传播算法、深度信念网络、多层感知器

    近年来深度学习在神经网络训练与建模上已经超越其他传统方法,特别是在图像与声音识别领域。本篇文章利用深度学习算法预测金融数据。深度学习框架用于训练神经网络,深度神经网络包含一个深度信念网络和一个多层神经网络。该神经网络被用于挑选投资组合中股票。结果表明:被挑选出来的投资组合回报高于大盘中股票回报中位数,构成标准普尔 S&P 500 指数的股票也作为研究样本。文章以logistic回归,多层感知器和一种朴素回归方法作为参照,比较了深度学习神经网络的研究成果: 神经网络获得的结果优于其他基准。本文研究结果表明,基于神经网络的可靠性和高性能,深度学习会在金融领域占据一席之地。

  • 《Deep Learning for Finance: Deep Portfolios》

    关键词:深度学习、机器学习、大数据

    本文主要研究将深度学习强化模型应用于金融预测和分类上。金融预测问题大多应用于证券设计与定价,构建投资组合和风险管理领域,涉及巨大数据量以及数据关系复杂,目前很难或者不可能在一个经济模型中进行处理。使用深度学习模型相比较于传统途径将会更加有效。另外,深度学习可以a naive regression benchmark检测和发现目前已知经济理论无法发现的一些联系。

  • 《Multidimensional LSTM Networks to Predict Bitcoin Price》

    关键词:LSTM网络、比特币、机器学习

    本文利用多维LSTM神经网络来预测比特币的价格和趋势。该模型不仅仅关注价格,同时也考虑了比特币和美元的交易量,以此建立多变量序列机器学习模型。作者详细阐释数据归一化,数据清理,数据计算的详细步骤,并对最终结果进行分析。作者认为由于牵涉因素过多,试图预测出收益是徒劳无功的,但有助于我们了解市场。

  • 《Reinforcement Learning for Optimized Trade Execution》

    关键词:强化学习、交易执行、因式分解

    本文利用强化学习模型优化交易执行策略,研究基于庞大的NSDQ长达1.5年的毫秒级数据,主要成果如下:与其他交易策略相比,RL优化交易执行策略,可提升50%的性能;RL算法结合Q-learning、动态程序设计,最后发现“private”和“market”数据间的近似独立性;此外,研究发现一些系列微观结构相关的重要因子,例如订单提交的费用。但是,RL算法的策略将受状态变量和执行时间的限制。


量化研究每周精选》每周一期,为大家提精选研报、前沿研究、热门文章等优质内容。
查看所有 量化研究每周精选。欢迎投稿 (i@bigquant.com)。