深度学习因子选股模型-基于卷积神经网络
由ypyu创建，最终由ypyu 被浏览 543 用户
用卷积网络处理序列数据
我们知道卷积神经网络(convnet)在计算机视觉问题上表现出色，原因在于它能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。时间可以被看作一个空间维度，就像二维图像的高度或宽度。
对于某些序列处理问题，比如金融时间序列数据，这种一维卷积神经网络的效果可以媲美RNN[循环神经网络]，而且计算代价通常要小很多。最近，一维卷积神经网络[通常与空洞卷积核(dilated kernel)一起使用]已经在音频生成和机器翻译领域取得了巨大成功。除了这些具体的成就，人们还早已知道，对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代RNN，而且速度更快。
理解序列数据的一维卷积
通常我们遇见的卷积层都是二维卷积，从图像张量中提取二维图块并对每个图块应用相同的变换。按照同样的方法，你也可以使用一维卷积，从序列中提取局部一维序列段(即子序列)，见下图:
注：图片来自《Deep Learning with Python 》弗朗索瓦·肖莱，Keras之父
这种一维卷积层可以识别序列中的局部模式。因为对每个序列段执行相同的输入变换，所以在句子中某个位置学到的模式稍后可以在其他位置被识别，这使得一维卷积神经网络具有平移不变性(对于时间平移而言)。
举个例子，使用大小为 5 的卷积窗口处理字符序列的一维卷积神经网络，应该能够学习长度不大于 5 的单词或单词片段，并且应该能够在输入句子中的任何位置识别这些单词或单词段。因此，字符级的一维卷积神经网络能够学会单词构词法。在金融时序预测中，卷积网络可以提取近期时序特征（局部特征）来预测短期走势，这是浅层机器学习模型不具备的优势。
序列数据的一维池化
二维池化运算，比如二维平均池化和二维最大池化，在卷积神经网络中用于对图像张量进行空间下采样。一维也可以做相同的池化运算：从输入中提取一维序列段(即子序列)， 然后输出其最大值(最大池化)或平均值(平均池化)。与二维卷积神经网络一样，该运算也是用于降低一维输入的长度(子采样)。
实现一维卷积神经网络
BigQuant中的一维卷积神经网络是Conv1D层，其接口类似于Conv2D。它接收的输入是形状为 (samples, time, features)的三维张量，并返回类似形状的三维张量。卷积窗口是时间轴上的一维窗口(时间轴是输入张量的第二个轴)。 我们来构建一个简单的两层一维卷积神经网络预测股票价格，回测结果图如下，源代码见文末。
策略比较基准
为比较深度学习模型的预测效果，我们以默认可视化机器学习模板为基准进行比较，默认可视化机器学习模板是StockRanker的浅层机器学习策略。 因此，本文的训练集时间、预测集时间、特征完全和默认可视化策略模板一致。基准回测结果如下：
可以看出基于卷积神经网络的深度学习策略有明显的提升效果，策略年化收益从109%提升到118%，夏普比率也有所提升，这确实是很amazing的一件事情，因为stockranker策略的参数和模型我们是经过大量的测试给出了一个比较通用的版本，这主要得益于深度网络多层表示的强大学习能力，这和我们大脑大量的神经元机制是相似的。当然，本文只是一个demo,更多开发和提升还需依赖每一位developer.
策略案例
https://bigquant.com/experimentshare/d9ace31c457744c3bcdde3016052d897
参考文献：
- 《Deep Learning with Python 》弗朗索瓦·肖莱，Keras之父
- A Comprehensive Guide to Convolutional Neural Networks
\