【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。