LSTM择时+StockRanker选股的可视化策略实现

栏目: 数据库 · 发布时间: 5年前

内容简介:摘要:本文将为大家构建一个AI驱动的LSTM Networks是递归神经网络(RNNs)的一种,该算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公布。后经过人们的不断改进,LSTM的内部结构逐渐变得完善起来(图1、图2)。在处理和预测时间序列相关的数据时会比一般的RNNs表现的更好。目前,LSTM Networks已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。

摘要:本文将为大家构建一个AI驱动的 量化投资 策略样例,策略用LSTM算法进行择时,StockRanker算法进行选股,并用可视化的方式实现,文末附上策略源码,感兴趣的朋友可以直接前往 BigQuant人工智能量化投资 平台进行实现。

一、LSTM算法简介

LSTM Networks是递归神经网络(RNNs)的一种,该算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公布。后经过人们的不断改进,LSTM的内部结构逐渐变得完善起来(图1、图2)。在处理和预测时间序列相关的数据时会比一般的RNNs表现的更好。目前,LSTM Networks已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。

LSTM择时+StockRanker选股的可视化策略实现

图1LSTM层结构

LSTM择时+StockRanker选股的可视化策略实现

图2典型LSTM层结构

这里 ht 代表神经元的输出,而 C t 代表神经元的状态。系统的运行分为以下步骤:

A.计算需要被细胞丢弃的信息:

LSTM择时+StockRanker选股的可视化策略实现

B.计算需要添加到细胞中的信息:

LSTM择时+StockRanker选股的可视化策略实现

C.更新细胞状态:

LSTM择时+StockRanker选股的可视化策略实现

D.计算输出信息:

LSTM择时+StockRanker选股的可视化策略实现

LSTM模型构建:作为循环层的一种神经网络结构,只使用LSTM并不能构建出一个完整的模型,LSTM还需要与其他神经网络层(如Dense层、卷积层等)配合使用。此外,还可以构建多层LSTM层来增加模型的复杂性,学习描述更高层次的时域特征(如图3)。

LSTM择时+StockRanker选股的可视化策略实现

图3LSTM的组合运用

二、LSTM在股票预测中的应用

经济学家靠ARMA 模型预测的时间序列模型。该模型对小数据集效果很好,可容纳时间序列的记忆效应,如持久性、均值回归、季节性等。在深入学习中,长短期记忆(Long short-term memory,LSTM)可类比于ARIMA长期短期记忆模型。LSTM 对RNN 进行了结构上的修改,来避免长期依赖问题。LSTM在股票预测中通常分为两类应用:一是直接将LSTM输出结果作为做单信号在个股上进行回测,二是将LSTM的预测结果作为一种择时信号,再配合其他选股模型(如BigQuant平台的StockRanker)进行回测。社区中已经在LSTM Networks应用于股票市场探究一文中提到LSTM更适用于处理个股/指数,将LSTM作为择时模型与其他选股模型配合使用效果较好。

三、策略流程

本文策略在 BigQuant平台 AI可视化模板的基础上建立,使用stockranker作为选股器,针对沪深300指数采用LSTM构建择时模型作为仓位风控控制,流程图见图4。

关于LSTM模型中涉及的参数含义可以参考《 [量化学堂-机器学习]基于LSTM的股票价格预测模型 》一文中的描述。

  • 开始时间:2017-07-01
  • 结束时间:2018-04-30
  • 选股策略:stockranker
  • 优质股数量:10只
  • 换仓周期:每日
  • 止盈止损:使用沪深300指数LSTM的涨跌预测值进行仓位控制

LSTM的模型参数:

  • 每段input预测数据的长度seq_len: 5日数据
  • 输入特征:[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]
  • 预测集长度:10*seq_len
  • 神经网络结构: 1层LSTM层+3层Dense层
  • 模型训练:优化器adam,损失函数mse
  • 模型输出: 涨跌预测值(正数为持仓信号,负数为空仓信号)

LSTM择时+StockRanker选股的可视化策略实现

LSTM择时+StockRanker选股的可视化策略实现

图4策略流程图

四、回测结果

回测时间是2017年7月以来,总收益接近30%,超过沪深300基准指数近27.5%。从图5可以看出,在2017年12月以及2018年2月中旬在大盘指数下跌期间,策略的净值回撤明显小于沪深300基准指数,这说明LSTM算法的仓位管理起到了作用。 策略源代码在附录,欢迎大家克隆研究。

LSTM择时+StockRanker选股的可视化策略实现

图5模型预测结果

五、参考文献

1.《 LSTM Networks应用于股票市场探究

2.《 LSTM Networks应用于股票市场之Functional Model

3.《 LSTM Networks应用于股票市场之Sequential Model

4.《 [量化学堂-机器学习]基于LSTM的股票价格预测模型

5.《2018/03/08 中信建投证券:零基础 python 代码策略模型实战:——大数据人工智能研究之七 》

六、附录

策略完整代码: 可视化策略—LSTM大盘择时+Stockranker选股

本文由BigQuant 人工智能 量化投资平台 原创推出,版权归BigQuant所有,转载请注明出处。


以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

支持向量机

支持向量机

邓乃扬、田英杰 / 科学出版社 / 2009-8 / 48.00元

《支持向量机:理论、算法与拓展》以分类问题(模式识别、判别分析)和回归问题为背景,介绍支持向量机的基本理论、方法和应用。特别强调对所讨论的问题和处理方法的实质进行直观的解释和说明,因此具有很强的可读性。为使具有一般高等数学知识的读者能够顺利阅读,书中首先介绍了最优化的基础知识。《支持向量机:理论、算法与拓展》可作为理工类、管理学等专业的高年级本科生、研究生和教师的教材或教学参考书,也可供相关领域的......一起来看看 《支持向量机》 这本书的介绍吧!

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

XML 在线格式化
XML 在线格式化

在线 XML 格式化压缩工具