量化交易的新思路 —— 深度学习模型

关于使用深度学习作为量化模型的核心算法已经存在诸多研究，大多数的研究还是将这种作为 CS 或 深度学习 研究论文对待，目前很少见到有直接将这种研究成果运用到实际交易中。记得两年前在 Quar 上看到有人回答关于将机器学习模型运用到金融交易中的担忧，持反对一件的人的主要观点在于机器学习是一种黑盒模型，他根据历史数据通过梯度下降等方式产生权重，由于其复杂的特质，我们无法对算法的核心交易逻辑进行解释。没有这种理解，无法控制算法的交易行为。并且无法保证算法的结果不是一种随机性的关联。

而站在支持深度学习模型一方，我们有太多理由相信模型在金融市场会有很好的效果。一方面，金融市场的价格数据是受市场中所有因素影响后产生的结果，量价等数据代表的资金博弈在先今阶段的成果。那么如果我们能尽可能收集更多的信息，是否可以对市场的某一阶段进行预测。换句话说，我们当然无法追求100%的预测，但是在一个比较短的时间周期内，达到一种相对优势的预测结果还是很有可能的。当然我们无法收集到市场的全部信息，但是我们可以实时的以最快的速度收集到市场中大部分公开信息，并对这些信息的权重进行处理。市场每个交易日都会产生海量的数据，如果我们关注短线，对这种数据的分析处理是人力所不能及的。而这恰恰是机器学习模型的优势所在。

交易周期

首先我们需要阐述一下这种交易的风格，当然我们一般的交易有两种模式：

1、长线 以年为纬度持有 2、中线 以一周 - 数月为维度持有 3、短线 以交易日或小时为维度持有 4、高频 以 Tick 级别做交易

我们在这里选择 3短线或极短线为操作模式，这是为了避免长周期的情况下，随机性事件产生的概率呈指数级的暴增，对价格的把控失控。我们只需要识别熟悉的模式显现，找到确定的套利机会，我称之为 确定性漩涡，详细参见：驾驭市场的随机性 —— 寻找确定性漩涡。就是说交易事件越短对我们约有利，即快速识别熟悉的，冲入场内持有头寸，在漩涡消失之前了结交易，及时的止盈和止损，并根据收益情况更新模型参数。

基础参数

这里会树立一些会影响到市场价格的指标，我们把这些提供给我们的模型，模型根据数据的变化找到最有优势的交易模式

量价

即 价格和交易量，因为我们尝试做短线交易，所以这一获取并提供给模型的是 1分钟的K线数据。其中包含：

{
  "open": 23.5,     // 开盘价
  "close": 23.6,    // 收盘价
  "high": 23.78,    // 高点
  "low": 23.1,      // 低点
  "vol": 23400      // 交易量
}

基本面分析

基本面数据核心想要提供的就是，相关公司的业绩情况和股价的关系，这里选取：

  • 动态市盈率

  • 动态市净率

  • 资产收益率

技术指标

技术指标通常包括前人总结下来的短线交易思路，大部分是属于时序数据处理和信号识别的范畴，有线性的：

  • MACD

  • KDJ

  • DMI

  • 30 60 90 均线

具体的参见：量化日记：指标实践及理解

即非线性的信号

  • 金叉

  • 银叉

事件驱动

使用NLP及情感分析对目标公司的新闻事件及目标市场的大事件所分析，并将分析数据导入到模型中

  • 高频交易

  • 时序数据分析

  • 关联资产

Previous金融量化Next驾驭市场的随机性 —— 寻找确定性漩涡

Last updated

Was this helpful?