2017/10/21 11:53

用于金融时序预测的神经网络：可改善经典的移动平均线策略

近日，Medium 上出现了一篇题为《Neural networks for algorithmic trading: enhancing classic strategies》的文章，作者 Alex Honchar 在文章中通过一个实际预测用例总结了金融时序预测，并通过神经网络真正改善了经典的移动平均交易策略，提高了最终预测结果。

在之前的 5 篇教程中，我们讨论了用于金融预测的人工神经网络，比较金融时序预测的不同架构，意识到如何通过正确的数据处理和正则化实现充分的预测，执行基于多变量时序的预测，并取得了非常好的波动率（volatility）预测结果，以及自定义损失函数的实现。在第 6 篇教程中，我们借助不同来源的数据进行设置和实验，用一个神经网络完成两个任务，优化超参数从而实现更优预测。

今天，我想借助一个实际的预测用例，对金融时序预测做个总结：我们将使用神经网络改善经典的移动平均线策略，证明它可以真正提升最后的结果，并介绍了一些大家可能感兴趣的新的预测目标。

以下是之前的 6 篇教程：

简单的时序预测：https://medium.com/machine-learning-world/neural-networks-for-algorithmic-trading-part-one-simple-time-series-forecasting-f992daa1045a
正确的一维时序+回溯测试：https://medium.com/machine-learning-world/neural-networks-for-algorithmic-trading-1-2-correct-time-series-forecasting-backtesting-9776bfd9e589
多变量时序预测：https://medium.com/@alexrachnog/neural-networks-for-algorithmic-trading-2-1-multivariate-time-series-ab016ce70f57
波动率预测与自定义损失：https://codeburst.io/neural-networks-for-algorithmic-trading-volatility-forecasting-and-custom-loss-functions-c030e316ea7e
多任务与多模态学习：https://becominghuman.ai/neural-networks-for-algorithmic-trading-multimodal-and-multitask-deep-learning-5498e0098caf
超参数优化：https://medium.com/machine-learning-world/neural-networks-for-algorithmic-trading-hyperparameters-optimization-cb2b4a29b8ee

你可以在 Github 查看神经网络训练的代码：https://github.com/Rachnog/Deep-Trading/blob/master/strategy/skew.py。

主要思想

如上所述，我们能够预测完全不同的值，从股价变化到波动率。过去我们把这些预测看作是抽象的，甚至试图仅根据这些「上下」变动的预测进行交易。但是我们也知道，存在基于技术分析和金融指标的其他大量交易策略。比如，我们可以建立不同窗口的移动平均线（一个是长线，比如说 30 天，另一个是短线，很可能是 14 天），我们认为交叉点即代表趋势改变的时刻：

两条移动平均线交叉的示例

但是这一交易策略有个主要的缺点：在平滑区域，我们依然在那些无实际变化的点上做交易，从而遭受金钱损失。

平滑区域中移动平均线交叉的示例

我们如何通过机器学习解决这一问题？

让我们看看下面的策略假设：我们在移动平均线交叉处预测某些特征的变化。如果出现一个跳跃，我们便将其作为交易信号；否则就跳过它，因为我们不想在平滑区域损失钱。

我想尝试把偏度（skewness）作为预测目标，偏度即度量分布非对称性的指标。假设我们预测分布出现变化，这意味着当前的趋势（不只是平滑区域）将在未来发生改变。

分布偏度

输入数据

这里我们使用 pandas 和 PyTi 来生成更多指标，并将其作为输入。我们将使用 MACD、Ichimocku cloud、RSI、波动率等。所有这些值将形成多变量时序，并逐渐变得平滑，以方便之后在 MLP 中使用，或者停留在 CNN／RNN。

nine_period_high = pd.rolling_max(pd.DataFrame(highp), window= ROLLING / 2)
nine_period_low = pd.rolling_min(pd.DataFrame(lowp), window=  ROLLING / 2)
ichimoku = (nine_period_high + nine_period_low) /2
ichimoku = ichimoku.replace([np.inf, -np.inf], np.nan)
ichimoku = ichimoku.fillna(0.).values.tolist()
macd_indie = moving_average_convergence(pd.DataFrame(closep))
wpr = williams_percent_r(closep)
rsi = relative_strength_index(closep,  ROLLING / 2)
volatility1 = pd.DataFrame(closep).rolling(ROLLING).std().values#.tolist()
volatility2 = pd.DataFrame(closep).rolling(ROLLING).var().values#.tolist()
volatility = volatility1 / volatility2
volatility = [v[0] for v in volatility]
rolling_skewness = pd.DataFrame(closep).rolling(ROLLING).skew().values 
rolling_kurtosis = pd.DataFrame(closep).rolling(ROLLING).kurt().values

我把获取的指标特征和 OHLCV 元组串联起来，以生成最终向量。

网络架构

这里，我想展示如何训练正则化 MLP 用于时序预测：

main_input = Input(shape=(len(X[0]), ), name='main_input')
x = GaussianNoise(0.05)(main_input)
x = Dense(64, activation='relu')(x)
x = GaussianNoise(0.05)(x)
output = Dense(1, activation = "linear", name = "out")(x)
final_model = Model(inputs=[main_input], outputs=[output])
opt = Adam(lr=0.002)
final_model.compile(optimizer=opt, loss='mse')