量化研究每周精选-20170929

量化研究每周精选
标签: #<Tag:0x00007f73eec2a3f8>

(iQuant) #1

导语:本周精选1篇关于应用深度学习构造投资组合的文章,本文通过深度学习来模仿交易员观察K线图的方式做出交易决策为出发点。此文颇有创新:利用无监督卷积自动编码器对K线图进行特征提取;使用模块度优化(modularity optimisation)算法对股票进行聚类分析;选取每个聚类中夏普比率最高的股票,构造投资组合。本文对于理解深度学习如何进行量化投资颇有帮助,值得一读。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。


特别鸣谢原文作者:Guosheng Hu 先生对本文的指导。


《深度股票表征学习:从K线图到交易决策》

原文:《Deep Stock Representation Learning:From Candlestick Charts to Investment Decisions》
作者: Guosheng Hu, Yuxin Hu, Kai Yang, Zehao Yu, Flood Sung, Zhihong Zhang, Fei Xie, Jianguo Liu, Neil Robertson, Timothy Hospedales, Qiangwei Miemie

关键词:深度学习,卷积自编码,聚类分析

不同于许多算法策略基于原始时间序列数据进行分析,本文介绍一种基于深度学习的算法能够像交易员观察K线图那样,从K线图中捕捉股价变动信息,然后做出交易决策。

研究背景:

现有算法策略构造投资组合的方式是以原始时间序列数据作为输入,采用时间序列的分析方式。但交易员的典型做法为:肉眼观察K线图然后做出交易决策。本文研究目标为:使用深度学习来模仿交易员观察历史数据的方式,构造投资组合。

实现方式:

投资决策流程包含三部分:深度特征学习,聚类分析和投资组合构造。

深度特征学习:将4维股票原始历史价格数据转换为标准K线图。将生成的K线图输入到卷积自动编码网络(一种非监督的深度学习方法),进行图像特征学习。由于深度学习的强大非线性建模能力,学习到的512维特征可以有效地抓住股价的变动以及其他相关的抽象信息。512维的特征将代替传统的时间序列进行建模。

image

聚类分析:使用模块度优化(modularity optimisation)算法对学习到的特征进行聚类,完成市场细分。

构造投资组合:选用每个聚类中夏普比率最高的股票。

实现流程如下图:

image

首先对包含高开低收行情数据的行情数据进行K线绘制,然后运用卷积自动编码技术将其转换为512维的特征向量,接着对其进行聚类,最后找出每个类别中夏普比率最高的股票构建投资组合。

试验结果

试验采用富时100指数包含股票作为基准,时间跨度为:2000年1月4日到2017年5月14日。

本文策略试验结果如下:

  • 自动编码过程能有效地提取图像特征

  • 聚类分析准确地分类了不同价格变化特征的股票。

量化评估采用7个指标衡量:总收益、每日夏普比率,最大回撤,平均日收益,平均月收益,年化收益,获利年份比例。

与富时100指数比较:在长期交易时间内,或者较短时间内的震荡、平稳和牛市行情中,策略表现优于富时100指数。

与基金相比较:与市场上知名的公募基金相比,总收益率、平均日收益、平均月收益和年化收益等指标超过公募基金,证明了策略可盈利性;每日夏普比率最高,证明了策略很好地平衡了收益和风险;最大回测值第二低,证明策略能够管理投资风险;在62.5%的年份里策略可以创造盈利,证明策略的稳定性。

结论

本文提出一种基于深度学习的投资策略:

  • 使用非监督卷积自编码网络,对K线图进行表征学习;

  • 使用模块度优化(modularity optimisation)算法对股票进行分组;

  • 选取每个组中夏普比率最高的股票构造投资组合。

试验结果表明:

  • 提取的股票特征可以获取图片中包含的信息;

  • 投资组合总收益率超过富时100指数和许多知名公募基金,同时具有更好的稳定性和更低的风险。


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)。


怎么将一段时间走势图,制作成图片数据