微信公眾號
關鍵字全網搜索最新排名
『量化投資』：排名第一
『量 化』：排名第一
『機器學習』：排名第三
我們會再接再厲
成為全網優質的金融、技術類公眾號
作者：Alex Honchar
編譯：編輯部
https://medium.com/@alexrachnog?source=post_header_lockup
今天編輯部帶來關於在基於金融時間序列的預測模型案例，我們將通過神經網絡來增強一個經典的移動平均策略，並表明它真的是有所改善相對原策略。
基於技術分析的投資策略
但這種交易策略有一個主要的缺陷：在震蕩行情中，策略沒有過多的觸及信號並交易，這樣我們也很難賺到錢。
那我們怎麼應用機器學習去改善呢？
我們來看下面的策略假設：在移動平均線金髮生叉死叉的時刻，我們會對某些特徵的變化做出預測，如果我們真的期望這個交叉點是可行的，我們便選擇相信這個交易信號。 否則我們會跳過。
作為預測目標，我想用偏度來衡量分布的不對稱性。 讓我們假設，如果我們預測分布的變化，這意味著我們目前的趨勢將來也會發生變化。
輸入數據
在這裡，我們將使用pandans和PyTi生成更多的指標。 我們將使用MACD，Ichimocku cloud，RSI等指標。 所有這些指標算出來的值將形成多變量時間序列，用flatten函數處理後，使用在 MLP 或繼續使用再 CNN 或 RNN中。
PyTi（https://github.com/kylejusticemagnuson/pyti）
獲得的指標特徵連接到OHLCV元組以產生最終向量。
網絡結構
在這裡我們展示一個如何訓練正則化MLP進行時間序列預測的例子：
這裡的「「Novel」是增加小的噪聲給單層神經網絡的輸入和輸出。它非常類似於L2正則化，數學解釋如下：（http://www.deeplearningbook.org/）
我們在2012年至2016年間以AAPL的價格訓練我們的網絡，在2016-2017年進行樣本外測試。
訓練網絡後，我們繪製收盤價，均線和垂直線的交叉點：紅色線和橙色線代表我們要交易的點。綠色線代表我們不去交易的點。
神經網絡結果
[(『Total Return』, 『1.66%』),
(『Sharpe Ratio』, 『16.27』),
(『Max Drawdown』, 『2.28%』),
(『Drawdown Duration』, 『204』)]
Signals: 9
Orders: 9
Fills: 9
我們將如何使用「紅色」和「橙色」交易信號，並跳過綠色。 我們可以看到，策略減少了2次交易，並幫助我們減少了第一個drawdown，最終提高了幾乎兩倍的回報！
[(『Total Return』, 『3.07%』),
(『Sharpe Ratio』, 『27.99』),
(『Max Drawdown』, 『1.91%』),
(『Drawdown Duration』, 『102』)]
Signals: 7
Orders: 7
Fills: 7
部分代碼
總結
通過這篇文章，我們可以使用神經網絡來完成（至少一段時間）有關金融時間序列預測的一些研究。 但是，我們不能直接用它來預測價格知否漲跌。 我們必須考慮不同的數據源和目標值，認真對待處理過擬合和超參數優化，那麼我們可以得出什麼結論呢？
1、注意過擬合！ 你會在99％的情況下做到這一點，不要完全相信你的回測曲線，它一定是有問題的。
2、除了收盤價，波動收益率，偏度等，嘗試著預測其他特徵。
3、如果有不同的數據源，請使用多模態學習。
4、不要忘記找到正確的超參數！
5、編寫一個可以混合一些經典機器學習的策略！
贈書活動
量化投資與機器學習公眾號聯合機械工業出版社送出3本《深度學習與計算機視覺》
西門子高級研究員田疆博士作序力薦！Google軟體工程師呂佳楠力、英偉達高級工程師華遠志、理光軟體研究院研究員鍾誠博士力薦！本書全面介紹了深度學習及計算機視覺中*基礎的知識，並結合*常見的應用場景和大量實例，帶領讀者進入豐富多彩的計算機視覺領域。作為一本「原理 實踐」教程，本書在講解原理的基礎上，通過有趣的實例帶領讀者一步步親自動手，不斷提高動手能力，而不是枯燥和深奧原理的堆砌。本書適合對人工智慧、機器學習、深度學習和計算機視覺感興趣的讀者閱讀。閱讀本書要求讀者具備一定的數學基礎和基本的編程能力，並需要讀者了解Linux的基本使用。
截止 2017.10.24 12:00
大家在本篇推文【寫留言】處發表的留言，獲得點讚數前三的讀者，即可免費獲贈此書。屆時，工作人員會聯繫三位讀者的微信，寄出此書。