量化研究每周精选-20170719

量化研究每周精选
标签: #<Tag:0x00007fc05d80a000>

(小Q) #1

本周为大家精选了5项机器学习/深度学习在量化投资中的相关资源,机器学习/深度学习是偏实践性学科,只有不断实践才能有所收获,纸上得来终觉浅,绝知此事要躬行!BigQuant拥有海量的数据和主流开源框架,附能每一位爱好机器学习/深度学习和量化交易的人。


  • 《Applying Deep Learning to Time Series Forecasting with TensorFlow》

    关键词:TensorFlow、深度学习、时序预测

    2017年深度学习框架关注度排名tensorflow以绝对的优势占领榜首,本文通过一个实例介绍了TensorFlow在时序预测上的具体应用。TensorFlow 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU)、服务器、移动设备等等。TensorFlow 最初由Google大脑小组的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域,因此流行起来。时间序列分析在计量经济学和财务分析中具有重要意义,但也可以应用于趋势预测和对行为模式的变化做出反应的领域。在金融方面,时间序列分析用于股票价格,资产和商品的价格的预测。长期以来,计量经济学家长期利用“差分自回归移动平均模型”(ARIMA)模型进行单变量预测,ARIMA模型已经使用了几十年,近几年深度学习在时序预测方面有了更多的应用。

  • 《Deep Learning with Python in Finance》

    关键词:深度学习、DQN

    这是Ben的有关"使用Python在金融领域深度学习"内容的视频课程。背景介绍:Python正在成为许多机器学习和深度学习研究的行业标准语言。作者一直在使用具有深度学习和其他ML技术的Python项目,作者使用TensorFlow的Python中提供了一个增强学习算法-DQN,并且系统性地介绍了多种深度学习算法的信息和背景,以及在金融市场的应用。通过其公布在Github上的项目,读者可以学习如何使用Tensorflow实现DQN,以及如何设计一个深度学习系统来解决各种各样的问题。作者ben是一个对其事业有极高信仰的一位研究人员。他在AI软件工程和算法交易领域已经有15年的工作经验。目前是http://prediction-machines.com的首席技术官。

  • 《教你Machine Learning玩转金融入门notes》

    关键词:机器学习、金融量化

    作者江海在在知乎上发表以来,得到了许多赞和回复,这篇文章有许多干货心得,尤其是对于在量化金融领域彷徨迷茫的人,作者首先谈到了宏观系统,他认为宏观系统本身非常复杂,变量因子多,即使逻辑线以线性关系为主,但因子和因子之间互相还有correlation和dependence使其结构更加复杂。接着作者又谈到了趋势和周期,作者认为趋势只是价格运行的表象,其背后是因子共同作用的结果。不过这些都只是一个开头。本文首先对金融和统计背景知识进行了介绍,尤其提到了数学的重要性。然后,作者介绍了机器学习各个方法在金融量化中的运用,包括随机森林、主成分分析、梯度提升、支持向量机等,不仅如此,作者还介绍了期权的一些干货。总之,看了本文,应该对金融市场和机器学习二者的结合有更好的理解。

  • 《A Deep Reinforcement Learning Framework for the portfolio management》

    关键词:卷积神经网络、循环神经网络、长短期记忆模型

    这篇文章比较新,发表出来不到半个月,作者为三位中国学者。金融投资组合管理是将资金不断重新分配到不同的金融产品中的过程。本文提出了一个无金融模式的增强学习框架,为组合管理问题提供深入的机器学习解决方案。该框架由相同的独立评估者(EIIE)集合、投资组合向量存储器(PVM)、在线随机批量学习(OSBL)方案和完全开发和明确的奖励功能组成。这个框架在卷积神经网络(CNN)、基本循环神经网络(RNN)和长短期记忆模型(LSTM)中实现。随着一些最近发布的投资组合策略,作者基于三个深度学习模型进行了回测验证,交易周期为30分钟。标的为Bitcoin,Bitcoin是最着名的一个加密货币的例子。该框架下这三个回测实验垄断了所有实验中的前三名,表现比较优异,超越了其他交易算法。即使在系统中设置佣金率为0.25%,但框架在30天内至少也能达到4倍的回报。

  • 《An Automated FX Trading System Using Adaptive Reinforcement Learning》

    关键词:自适应增强学习、自动外汇交易、循环增强学习

    本文介绍了自适应强化学习(ARL)作为全自动交易系统应用的基础。该系统面向外汇交易市场,并依赖于由机器学习算法、风险管理覆盖和动态效用优化层组成的分层结构。在文中,作者选择了一种称为循环增强学习(RRL)的机器学习方法作为自适应强化学习(ARL)的基础算法。该算法的动态优化层不需要固定的模型参数。此外,它还允许系统内的用户进行风险与回报之间的trade-off。该交易系统在测试集上(样本外)同样能够保持一致稳定的收益,同时避免较大幅度回撤。



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)