量化研究每周精选-20171117
由ypyu创建，最终由ypyu 被浏览 11 用户
导语：本周精选了5篇量化研究文章，涉及应用TensorFlow深度学习技术和SVM机器学习算法进行股价或者指数预测。其中四篇文章均介绍了详细预测流程，值得借鉴。第五篇文章介绍了DLNC软件平台，无需编程，即可进行深度学习，在此向大家推荐。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。
$目录$
- 《深度学习模型：应用TensorFlow预测股价》
- 《深度学习应用于事件驱动股价预测》
- 《使用进化支持向量机对ASE20指数进行预测》
- 《使用价格数据预测股价方向：对KOSPI和HSI指标的经验性研究》
- 《深度学习，无需编程》
-
<h4 id=one>《深度学习模型：应用TensorFlow预测股价》</h4>
原文链接:A simple deep learning model for stock price prediction using TensorFlow
关键词：深度学习 TensorFlow 神经网络
TensorFlow是行业领先的深度学习和神经网络计算框架。本文将使用TensorFlow建立深度学习模型，基于S&P500指数和成分股分钟级别数据来预测下一分钟S&P500指数值。本文概要描述工作流程，包括导入与预处理数据，准备训练和测试数据，数据转换，TensorFlow中Placeholder和Variable介绍，设计神经网络结构，提出代价函数，使用优化器（Optimizer）和初始化程序（Initializer）进行初始化和计算过程优化，最后为训练神经网络。作者指出：TensorFlow的出现是深度学习领域的标志性时间，目前应用逐步推广。
-
<h4 id=two> 《深度学习应用于事件驱动股价预测》 </h4>
原文链接:Deep Learning for Event-Driven Stock Prediction
关键词：事件嵌入 神经张量网络 深度预测模型
本文构造通过时间驱动的股价预测模型，该模型主要包含两个核心模块：通过神经张量网络学习构造的事件嵌入模型和通过深度预测模型（标准BP模型）构造的短期或长期决策模型。本文详细介绍两个核心模块的结构与学习过程。文章展示预测试验过程及结果：包括交易策略，输入数据及预测结果。
-
<h4 id=three> 《使用进化支持向量机对ASE20指数进行预测》 </h4>
关键词：支持向量机 遗传算法 交易模型
本文主要目的是介绍一种新的方法来预测金融资产，例如ASE20希腊股指方向预测。具体来说，本文使用一个替代计算方式-进化支持向量机（ESVM）股票预测器用于模拟和交易ASE20希腊股指。该组合方式由遗传算法和支持向量机组成，用于发现有效的短期交易模型，克服现有交易模型的限制。为了方便比较，ESVM股票预测期将与四个传统交易模型进行比较，最终结果显示：即便是在金融危机期间，ESVM模型的年化收益和信息比率都比传统交易模型高。同时，本文也研究了ASE20指数与DAX30, NIKKEI225, FTSE100, S&P500 等指数之间的关系。
-
<h4 id=four> 《直接使用价格数据预测股价方向：对KOSPI和HSI指标的实证研究》 </h4>
关键词：股市预测 主成分分析 支持向量机
股市走向的预测可以作为短期投资者的推荐系统或者长期股东的压力预警系统。许多股票预测使用宏观经济指标，如CPI和GDP训练模型，但是每天的宏观经济指标几乎不可能获得，因此，这些方法很难在实际中运用。本文构造主成分分析-支持向量机组合模型，直接使用价格数据来预测市场指数及股价运行方向，包括韩国综合股指（KOSPI）、恒生指数（HSI）和指数包含成分股。在模型中，通过主成分分析获取的主要成分，与其他金融因子一起应用到SVM中进行预测。结果显示该方法对于KOSPI和HIS中成分股运行方向预测有很高命中率。
-
<h4 id=five> 《深度学习，无需编程》 </h4>
原文链接: Deep Learning, No Coding
关键词：深度学习 编程 可视化
你设想过深度学习技术唾手可得，应用于商业及个人用途吗？一般来说，为了利用深度学习技术，你需要学习编程和数据，花费很多时间与精力。DLNC项目是一个软件平台，专注于简化深度学习过程，通过可视化用户界面帮助用户更快更容易地使用深度学习。DLNC提供一系列数据处理常规程序，可应用于不同数据类型，包括图像、文本、原始数据和视频。对于初学者，DLNC项目帮助你无需编程，亲自上手深度学习项目；对于已有基础的客户，DLNC项目帮助节省编程时间，监督训练过程。目前DLNC面临的挑战为深度学习模型和应用场景还不够丰富，仍需要用户和平台的共同进行补充。
<br/>
《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)。