您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
基于深度学习的股票市场预测.pdf 7页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
需要金币：50 &&
你可能关注的文档：
··········
··········
中国科技论文在线
基于深度学习的股票市场预测#
赵志勇，王峰，李元香**
（武汉大学软件工程国家重点实验室，武汉430072 ）
摘要：股票市场在整个金融市场中起着很重要的作用。而股票价格波动的预测是最具有吸引
力并且有意义的研究问题之一。股票价格预测的关键问题是如何设计一个方法可以提高预测
的精度。已有的一些研究指出，传统的一些机器学习的方法都使用浅层的结构，如单隐层的
神经网络和支持向量机。对于有限数量的样本和计算单元，浅层结构难以有效地表示复杂的
函数，并且对于复杂分类问题表现性能及泛化能力均有明显的不足，尤其当目标函数具有丰
富的含义。深度学习可以通过学习一种浅层非线性网络结构，实现复杂函数逼近，表征输入
数据分布式表示，并体现了它对于输入样本数据的强大的本质特征的抽取能力。为了测试深
度学习在股票价格预测问题上的性能，我们用港交所(HKEx)2001 年的交易数据作为测试。
实验结果表明，基于深度学习算法进行股票价格预测模型可以有较好的样本本质特征的抽取
能力，能够反映样本的本质特征，并取得比较好的预测结果。
关键词：深度学习； 股票市场预测； 机器学习； 多源数据处理
中图分类号：TP391
The Stock Market Prediction via Deep Learning
Zhao Zhiyong, Wang Feng, Li Yuanxiang
(State Key Laboratory of Software Engineering, Wuhan University, Wuhan 430072)
Abstract: Stock market plays an important role in nowadays financial markets. And stock price
volatility prediction is regarded as one of the most attractive and meaningful research issues. The
key problem of the stock market prediction is how to design a method to improve the prediction
accuracy. Some existing researches on stock market price volatility prediction have pointed out
architectures
algorithms including
networks with only one hidden layer and support vector machine are using shallow architectures.
Psychology
and finite
computing units,
architectures
representing
restriction
generalization capability of classifying complicated issues, especially
for the rich sensory input.
Deep learning achieves the approximation of complex function ，characterization of th
正在加载中，请稍后...谨慎看好深度学习等机器学习方法
谨慎看好深度学习等机器学习方法
时间： 16:32:19 来源：知乎
首先，提供一个从量化投资决策过程的角度。我想在任何一个负责任的机构，任何类型的策略，都需要向投资人回答“我们挣什么钱”这个最重要的问题。在中低频策略领域，量化投资仅仅是认识市场的一种手段或哲学之一，绝不代表仅仅只是Data Manipulation。这意味着什么呢？这意味着纵然量化投研人员需要花大量的时间在学习新的技术与手段，但是认识市场、了解市场，发现市场的无效，也是量化投研必要的日常主题之一。假如我能够发现一个特别明显、持续、强劲的市场无效点且加以量化，在可以的前提下，线性模型无疑是最好的。线性模型最大的优势就是“鲁棒性”好，对于金融数据这种高噪声的数据模式是最为稳健的。而且，往往线性模型的经济学解释和数学解释都非常直观。举个比较极端的例子，假如你有一系列信号，然后用SVM来预测股票涨跌。但是一旦经过一个月的实盘，你发现SVM分类持续出错，在实盘环境下，你想迅速找出问题所在并应对调整正确是非常困难的。这时候线性模型的优势就体现出来了，你可以很方便的通过归因分析发现哪些因子可能被under estimated, 哪些被over estimated。简而言之，“很多时候”，机器学习是Black Box。而非监督式的学习就更是耍流氓了。对于实际投资而言，可解释性、鲁棒性往往与过拟合是一个硬币的正方面。比如WorldQuant在之前的论文中，提出：输入固定的“操作符”、基础信号，在一定的复杂度内可以通过它们来随机生成信号。但是，即使通过这种方法找出一些In sample表现非常优异的信号，你敢将其运用到实盘吗？这恐怕要打一个巨大的问号吧？最终，可能还是需要通过这些信号来探寻其背后的经济学意义，才能简化用于实战。但是，机器学习在量化领域还是有着很深的介入的，它解决着线性模型天生的缺陷或弊端，在国内并非很少人应用。除去凸优化、降维(提取市场特征)等领域的应用，目前两个最重要的弊端就是“非动态性”和“非线性”。比如上面回答提到的adaboosting。很多时候，金融关系之间并不是线性的，也不是静态的。这个时候，统计学习的优势就会体现出来，它们能够迅速地适应市场，或者用一种更“准确的”方式来描述市场。而统计学习关注方法本身的统计学特征，应该说更适用于投资。参见德银关于adaboosting在Alpha上的报告。举例来说，IC(Information Coefficient，参见QEPM)是指信号与未来收益率之间的截面相关性，是一点典型的线性关系。它被经常用来描述信号的优劣。如果IC & 0，则意味着截面意义上，信号与下一期的收益率是正相关的。很多时候，它被用来分配在信号之间的权重。但是，（一）、IC在不同的市场状况下可能表现非常不同，所以我们可以用决策树/HMM等等方式来对此建模；（二）、IC可能不是一个很好地描述因子准确度的指标。所以，我们可以把股票分成N个篮子，计算因子在每个篮子的预测准确度。所以，我们可以把它转换成一个分类问题。我们可以用Boosting/SVM/Logit等等等等的方式来建模。所以，在量化投资中，总是先有问题，再去寻找工具。应该说，统计学习是众多武器库中的一种。其次，在国内，机器学习在量化内应用跟领域很大的关系。比如CTA的运用可能就要多于股票。CTA处理数据的维度要远小于股票，但是可获取市场的长度和动态却强于股票。其次，期货市场的momentum要强于股票市场的momentum，从这个意义上来讲，它的趋势相对股票要更为明显和低噪声。这些特征都更有利于机器学习发挥它的作用。再次，在国内，机器学习的应用跟频率也有很大的关系。跟很多方法一样，机器学习在大样本下的表现要远优于小样本的表现。统计上来讲，因为机器学习能够不断试错，不断“学习”，所以通过不断的训练，实现对各种情况下概率的准确估计，从而实现超越普通模型。这也是为什么AlphaGO需要训练各大高手的对局棋谱的原因。比如，在国内一些交易执行算法的设计上，就可能借鉴了机器学习。通过学习订单薄特征，我们可以对下一期盘口变化做一些概率上的预测，由于算法执行频率较高，经过一定样本的训练之后，能够显著地提升算法表现。但是我仍是谨慎看好深度学习等机器学习方法的。原因在于，这些方法与现行的大部分方法不在一个维度上认识市场，而这个优势使得它们能够捕捉到其他方法正常无法捕捉到的收益。索罗斯说，不做拥挤的交易，这句话反过来说，一个新的认识市场的角度才能带来alpha。 研究员：张文慧
【免责声明】本文仅代表作者本人观点，与本网站无关。本网站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。
七禾网APP投资圈（安卓版） 七禾网APP投资圈（苹果版） 七禾网 金融茶馆
本网站凡是注明“来源：七禾网”的文章均为七禾网 版权所有，相关网站或媒体若要转载须经七禾网同意8，并注明出处。若本网站相关内容涉及到其他媒体或公司的版权，请联系8，我们将及时调整或删除。
七禾研究中心负责人: 沈良/刘健伟/翁建平电话：8Email：
七禾网总经理：章水亮电话：7Email：
七禾研究员:唐正璐/韩奕舒/傅旭鹏/李烨电话：8Email：
七禾网上海分部负责人：果圆、尚玮电话：、
七禾网宁波分部负责人：童斌电话：
七禾网深圳分部负责人：孙卫国电话：5、
七禾财富管理中心电话：
投资圈APP(安卓版)
投资圈APP(苹果版)
七禾网投顾平台
傅海棠自媒体
沈良自媒体
许哲自媒体
(C) 七禾网 浙ICP备网络信息服务许可证-浙B2- 七禾网通用网址证书号 84940 软件开发/网络推广营业注册号 984
中期协“期媒投教联盟”成员 、 中期协“互联网金融委员会”委员单位 七禾网是您的互联网私人银行，是个人投资和家族财富管理综合服务平台。后使用快捷导航没有帐号？
查看: 1480|回复: 4
人工智能炒股的展望
注册会员, 积分 157, 距离下一级还需 43 积分
论坛徽章:2
　　AlphaGo都只是人工智能的一个缩影，AI的种子早已播撒在了各个领域中。尤其在证券领域里，“炒股狗”的介入恐怕已经超过我们普通人的想象。
　　2016年上半年，BenGoertzel和他的创业公司Aidyia将他们管理的对冲基金里所有的股票交易完全交给人工智能来完成，期间没有任何人类干扰行为。
　　更令人震撼的是，据说负责各个不同交易系统的AI引擎不仅可以分析数据、研究报表，甚至还可以“聚在一起”做市场预测，然后“投票选出”较佳市场决策。
　　李开复早先曾介绍过人工智能在硅谷的发展，他曾说做的人工智能博士生一毕业就能拿到200-300万美金的年收入offer，这种高薪不仅基金君从来没见识过，其实在硅谷以前也并没有过。
　　李开复解释：“因为这个价格很值，因为假设谷歌用他手上的现金做最聪明的二级市场的财务投资，这个人一年就能赚出一百倍来，所以这是毫无疑问是划算的。”
　　人工智能在证券领域内的应用，早已不是人们所熟悉的那些量化建模、高频交易。
　　实际上，通过深度学习、进化，人工智能可以通过自己的系统虚拟一批交易员，然后让这批虚拟交易员基因改造、互相PK，这其中的竞争与淘汰是万亿次级别的，最后筛选出最精英的交易员。在这个基础上，他们还有深度，还能发现各种莫名其妙、可能人类都找不出逻辑但的确存在的特点，然后进行买卖。
　　其实，股市比围棋更简单。
　　实际上，整个华尔街的不少大型对冲基金都纷纷开始用人工智能取代基金经理。硅谷科学家Andrew Li博士告诉基金君，美国较高级量化对冲基金例如文艺复兴基金等已经开始大量使用技术进行策略建模，而他们使用的技术和Alphago背后的人工智能技术是类似的。
　　不过，对于人工智能是否适合在国内A股市场，也有不同的看法，有国内市场分析人士认为，围棋有确定的规则，时间下的长，自然会有经验，但是股市却时不时会有一些突发事件导致市场的非正常波动，这种突发事件可能是国际市场的一个波动，也可能就是领导的一次讲话，由于规则没有那么明确，所以未必能保证在中国的股市人工智能一定能做的比人更好。
　　但是，也许这种“乐观”的看法可能只是因为不太熟悉真正的人工智能。
　　实际上，一个让人感到细思极恐的事实是，在一些程序员的眼中，股市比围棋更简单。
　　股票市场里的变量和涉及的算法，就程序本身而言，可能还没有人类智慧巅峰的“围棋”复杂。写到此处，基金君想到柯洁在微博里说的一段话：
　　“人类数千年的实战演练进化，计算机却告诉我们全都是错的。我觉得，甚至没有一个人沾到围棋真理的边。”
　　人类在百多年在蜡烛图领域内的实战演练也许还无法与人类在围棋领域里数千年的实经验相匹敌，然而哪怕是围棋数以千年的经验，依然被人工智能全部颠覆。
　　假如这种体验将来有一天也降临到资本市场，那么，也许在这一天，我们会发现，我们几百年来在市场的各个维度中总结出的那些经验，未必是最有效的方式，也许在这一天，我们会被“炒股狗”的操盘方式所折服。
　　也许有一天，人类会无可奈何地看着“炒股狗”们那些精妙的操盘技术却再也琢磨不出其中的奥妙；也许有一天，有效市场竞争将会在几十只或几百只“炒股狗”之间进行，而人类将看着这些深度学习、无休止进步的人类智慧的结晶们接管着整个市场，完成人类对有效市场假说的实现。
　　柯洁在微博里接着说：“但是我想说，从现在开始，我们棋手将会结合计算机，迈进全新的领域达到全新的境界。”
　　也许有一天，人类不会再对Alphago的出现心存恐惧或是惊喜，等待人类的将是学习如何与他们共存。
　　在基金君采访结束时，硅谷科学家AndrewLi博士郑重而诚恳地对基金君说：“人工智能在金融领域大有可为。”
　　如果我们都死了，人工智能还是会照常交易
　　前面提到的BenGoertzel和他的创业公司Aidyia，Goertzel 曾说，‘如果我们都死了，人工智能还是会照常交易。’
　　Goertzel 表示，在这个系统上线的第一天，对冲基金就获得了 2% 的回报（他并没有透露基金池的规模）。2%，看上去并不是特别惊人，而且也有可能只是正常的股市波动罢了。但是这却反映出了金融界的重大转变。
　　对冲基金依赖计算机辅助交易的历史由来已久。但是，典型的系统化基金的收益并没有比人工操作的基金效益好。
　　红线计算机处理的基金，蓝线所有对冲基金
　　而最近几年，此类基金开始移向真正的‘机器学习’，这样人工智能系统就可以以更快的速度来研究更大量的数据，并且通过数据分析来自我提高。纽约一家名为 Rebellion Research 的研究机构就使用了一种名为‘贝叶斯网络’的机器学习系统，用大量的计算机来预测市场趋势，寻找准确的交易时机。
　　当然，其他人工智能基金公司的 AI 也是在几百台甚至几千台电脑上运行的。其中需要注意的是，他们所使用的技术中包括一种名为‘进化计算（evolutionary computation）’的技术。进化计算的想法来自于基因进化和深度学习，它可以用来识别图像、识别文字以及完成一些任务，Google 和微软等公司都已经使用了这一技术。
　　讨论这种类型的基金时，不应再扯到‘高频交易’之类的术语。它无法用于短期交易或者说是那种收到消息就立刻进行交易的行为。人工智能对冲基金适合进行长期投资，比如按小时计算、按天计算、按周计算甚至是按月计算的投资策略。更重要的是，决策的选择完全取决于计算机。
　　美国旧金山有一家创业公司叫Sentient Technologies，开发的也是自动交易系统。
　　根据彭博社的报道，Sentient 在于摩根大通的 AI 交易部门合作，但是 Blondeau 对于合作伙伴的消息拒绝评论。他说，基金的运作全部依靠人工智能。
　　以前的想法，现在终于实现了，股票交易真的不需要人来干预了。
　　‘我们的系统可以让基金自动调整风险等级。’说这句话的是 Sentient 公司的首席科学馆 Babak Hodjat，他过去开发的技术被苹果收购，现在变成 iPhone 上的 Siri。系统运行完全不需要人的帮助。‘系统自动给出策略，然后给我们命令。它会显示：“现在情况为 A，使用 B 策略进行交易。”此外还会告诉我们何时退出，降低曝光量等一系列内容。’
　　Hodjat 还说，系统会从数据中心、网吧、游戏服务器等地几百万个处理器中抓取闲置的计算能力来进行计算。它的软件引擎也是基于进化计算的，与 Aidyia 系统里的技术有些相似。
　　简单来说，系统创造了大量、随机的虚拟股票交易员，测试他们在历史股票数据上的表现。然后选出较好的‘交易员’，利用‘他们’的‘基因’来创造出一个较好的‘交易员’。然后再在较好的交易员上重复这一过程…… 最后，系统返回一个能够成功进行自我操作的交易员。Blondeau 说，‘经过几千次的基因改造，万亿次的竞争与淘汰，最后，就可以获得一批聪明的交易员来帮基金进行交易。’
　　人工智能可以找出图片中的一只小猫，那他也能发现股票交易中的一些特点，然后用来赚钱。
　　但这样也会有一个风险。
　　如果一家基金使用人工智能技术取得了成功，那么就会出现其他基金复制这一技术然后取得成功的风险。如果大部分基金都用人工智能，那么市场就乱了。
　　最后的最后，可能出现这样的情况：股票市场上，所有人都用人工智能对决的话，那谁也不能用它来赚到钱。
注册会员, 积分 180, 距离下一级还需 20 积分
论坛徽章:2
股票市场里的变量和涉及的算法可能是比围棋少, 但博弈方更多啊,影响行情的市场因子拿不全啊
高级会员, 积分 600, 距离下一级还需 400 积分
论坛徽章:3
硅谷已经有一家公司，把钱全权交给AI 来炒股，结果收获超过预期
金牌会员, 积分 1196, 距离下一级还需 1804 积分
论坛徽章:17
等待崩盘啊。。。。。。。。。。
论坛徽章:51
未来就是机器人之间PK炒股您正在使用IE低版浏览器，为了您的雷锋网账号安全和更好的产品体验，强烈建议使用更快更安全的浏览器
发私信给easunlu
导语：那么，机器学习在量化金融方面怎么用？比如说，预测股票这件事儿靠谱么？
同步到新浪微博
当月热门文章
为了您的账户安全，请
您的邮箱还未验证,完成可获20积分哟！
您的账号已经绑定，现在您可以以方便用邮箱登录
请填写申请人资料}