神经网络应用于算法交易
由ypyu创建，最终由ypyu 被浏览 13 用户
今天编辑部带来关于在基于金融时间序列的预测模型案例，我们将通过神经网络来增强一个经典的移动平均策略，并表明它真的是有所改善相对原策略。
基于技术分析的投资策略
但这种交易策略有一个主要的缺陷：在震荡行情中，策略没有过多的触及信号并交易，这样我们也很难赚到钱。
那我们怎么应用机器学习去改善呢？
我们来看下面的策略假设：在移动平均线金发生叉死叉的时刻，我们会对某些特征的变化做出预测，如果我们真的期望这个交叉点是可行的，我们便选择相信这个交易信号。 否则我们会跳过。
作为预测目标，我想用偏度来衡量分布的不对称性。 让我们假设，如果我们预测分布的变化，这意味着我们目前的趋势将来也会发生变化。
输入数据
在这里，我们将使用pandans和PyTi生成更多的指标。 我们将使用MACD，Ichimocku cloud，RSI等指标。 所有这些指标算出来的值将形成多变量时间序列，用flatten函数处理后，使用在 MLP 或继续使用再 CNN 或 RNN中。
PyTi（https://github.com/kylejusticemagnuson/pyti）
获得的指标特征连接到OHLCV元组以产生最终向量。
网络结构
在这里我们展示一个如何训练正则化MLP进行时间序列预测的例子：
这里的““Novel”是增加小的噪声给单层神经网络的输入和输出。它非常类似于L2正则化，数学解释如下：（http://www.deeplearningbook.org/）
我们在2012年至2016年间以AAPL的价格训练我们的网络，在2016-2017年进行样本外测试。
训练网络后，我们绘制收盘价，均线和垂直线的交叉点：红色线和橙色线代表我们要交易的点。绿色线代表我们不去交易的点。
神经网络结果
[(‘Total Return’, ‘1.66%’),
(‘Sharpe Ratio’, ‘16.27’),
(‘Max Drawdown’, ‘2.28%’),
(‘Drawdown Duration’, ‘204’)]
Signals: 9
Orders: 9
Fills: 9
我们将如何使用“红色”和“橙色”交易信号，并跳过绿色。 我们可以看到，策略减少了2次交易，并帮助我们减少了第一个drawdown，最终提高了几乎两倍的回报！
[(‘Total Return’, ‘3.07%’),
(‘Sharpe Ratio’, ‘27.99’),
(‘Max Drawdown’, ‘1.91%’),
(‘Drawdown Duration’, ‘102’)]
Signals: 7
Orders: 7
Fills: 7
部分代码
总结
通过这篇文章，我们可以使用神经网络来完成（至少一段时间）有关金融时间序列预测的一些研究。 但是，我们不能直接用它来预测价格知否涨跌。 我们必须考虑不同的数据源和目标值，认真对待处理过拟合和超参数优化，那么我们可以得出什么结论呢？
1、注意过拟合！ 你会在99％的情况下做到这一点，不要完全相信你的回测曲线，它一定是有问题的。
2、除了收盘价，波动收益率，偏度等，尝试着预测其他特征。
3、如果有不同的数据源，请使用多模态学习。
4、不要忘记找到正确的超参数！
5、编写一个可以混合一些经典机器学习的策略！