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

The Zen of CSS Design

The Zen of CSS Design

Dave Shea、Molly E. Holzschlag / Peachpit Press / 2005-2-27 / USD 44.99

Proving once and for all that standards-compliant design does not equal dull design, this inspiring tome uses examples from the landmark CSS Zen Garden site as the foundation for discussions on how to......一起来看看 《The Zen of CSS Design》 这本书的介绍吧!

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器

UNIX 时间戳转换
UNIX 时间戳转换

UNIX 时间戳转换

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具