量化研究每周精选-20170929
由ypyu创建，最终由ypyu 被浏览 29 用户
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。
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：
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)。