【精选】神经网络应用于算法交易

作者:Alex Honchar

编译:编辑部

https://medium.com/@alexrachnog?source=post_header_lockup

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!

量化投资与机器学习公众号联合机械工业出版社送出3本《深度学习与计算机视觉》

西门子高级研究员田疆博士作序力荐!Google软件工程师吕佳楠力、英伟达高级工程师华远志、理光软件研究院研究员钟诚博士力荐!本书全面介绍了深度学习及计算机视觉中*基础的知识,并结合*常见的应用场景和大量实例,带领读者进入丰富多彩的计算机视觉领域。作为一本“原理 实践”教程,本书在讲解原理的基础上,通过有趣的实例带领读者一步步亲自动手,不断提高动手能力,而不是枯燥和深奥原理的堆砌。本书适合对人工智能、机器学习、深度学习和计算机视觉感兴趣的读者阅读。阅读本书要求读者具备一定的数学基础和基本的编程能力,并需要读者了解Linux的基本使用。

原文发布于微信公众号 - 量化投资与机器学习(ZXL_LHTZ_JQXX)

原文发表时间:2017-10-21

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏灯塔大数据

塔荐 | 从神经科学到计算机视觉:人类与计算机视觉五十年回顾

前 言 本文简单的介绍了神经网络近50年的发展历程,从1968年的Hubel和Wiesel开展的猫实验,一直到李飞飞教授等人的成果。从本质上讲解了人工神经网络...

3439
来自专栏机器之心

专访 | 诺基亚首席科学家范力欣:用模糊逻辑实现可解释的深度神经网络

深度学习发展到今天,很大程度上依然是一个「实验主导」的、「先有实验结果再找可能解释」的学科。对实验结果的理论解释,争议不断,而且随着时间的推移,研究者们给出的解...

1242
来自专栏杨熹的专栏

纯粹的数学之美

当你爱上数学时,你可能愿意一辈子去研究它而不觉得厌烦,因为它的发展集成了无数人的贡献,自身是博大精深的,但输出却是简单的,简单到一个公式可以描述一个现象,一个方...

36610
来自专栏CreateAMind

智能的几点随想

873
来自专栏AI科技大本营的专栏

【干货】人工智能工程师的三个层次(附技术学习路线图)

作者 | 智亮 Google Tensorflow框架的Contributor。在计算机视觉领域有深厚的工业经验,带领团队开发的“花伴侣”植物识别App,上线数...

4825
来自专栏AI科技大本营的专栏

被捧上天的深度学习,遇到这些问题根本干不过简单模型

今天我们来唱唱反调,推荐一篇Hacker News和Reddit的双料热文《何时该不用深度学习》。 作者 | Pablo Cordero 翻译 | reason...

3579
来自专栏新智元

从神经科学到计算机视觉:人类与计算机视觉五十年回顾

【新智元导读】本文简单的介绍了神经网络近50年的发展历程,从1968年的Hubel和Wiesel开展的猫实验,一直到李飞飞教授等人的成果。从本质上讲解了人工神经...

3245
来自专栏云时之间

为什么要特征标准化

各位小伙伴们大家好,今天让我们来聊一聊机器学习中的所需要的数据这个话题,首先,我们先开始想一个问题,为了让机器学习更加的方便消化,我们需不需要对一些数据动一些手...

4439
来自专栏量子位

LeCun亲授的深度学习入门课:从飞行器的发明到卷积神经网络

Root 编译整理 量子位 出品 | 公众号 QbitAI 深度学习和人脑有什么关系?计算机是如何识别各种物体的?我们怎样构建人工大脑? 这是深度学习入门者绕不...

3635
来自专栏企鹅号快讯

15大顶级深度学习课程,你收集全了吗?

翻译 | AI科技大本营 参与 | 刘畅、Donna 目前,深度学习和深度强化学习已经在实践中得到了广泛的运用。资源型博客sky2learn整理了15个深度学习...

21610

扫码关注云+社区

领取腾讯云代金券