论文导读：用 CNN 神经网络进行量化交易

Posted 2022-06-06 Python中文社区

机器学习用来投资一直都是非常热门的学问，近年来深度学习模型开始受到非常多的瞩目，尤其是在计算机视觉方面，所以接下来导读的这篇论文，就是提供了一个全新的方式，将目前最火的 计算机视觉神经网络：Convolutional Neural Network（CNN）用来预测股票的涨跌。实验结果表示效果比一般的神经网络要好。

你可能会问，以时间序列（time series）来说，明明神经网络可以使用 LSTM，为何要用 CNN？LSTM应该比较适合处理时间序列啊！（毕竟LSTM是拿来处理字符串的神经网路，字符串也是一种时间序列，所以通常预测股价，大家会用LSTM）。但论文中说明，目前CNN用于图像处理比起其他的模型，被研究的更透彻，也有大量的研究，说不定效果更好，所以采用了 CNN 神经网络来预测股价的涨跌。

他们用15个技术指标 X 15 天，产生出一个 15×15 的影像，将这个影像丢入 CNN 神经网络中做训练，下图就是神经网络所“看到”的input：

对于人类来说，这个影像对我们来讲没什么意义，但是对于计算机来说，就可以拿来判断股价的涨跌！我们会将上面这些图片称之为features，也就是计算机用来判断买卖的信号，计算机用这些信号，就可以预测交易信号，也就是这个神经网络的label。作者提供了一个简单的方式，使用rolling window，去找每段时间的最大值和最小值，以下是主要的代码。

上述的方法，会产生（-1, 0, 1）的信号，分别代表（卖、不做动作、买），但是由上述代码产生出来的信号，必然会有imbalance的问题，也就是三种class的数量不一致，所以本篇文章使用random resampling的方式，随机取出相同数量的 label 对应的 testcase，来避免 0 太多的问题。

此篇论文中用了美股的 ETF 和 道琼斯 30 成分股作为训练的标的。有了feature 跟 label，很理所当然的，我们就可以开始训练！此篇 paper 的神经网络如下：

• input layer (15×15),

• two convolutional layers (15x15x32, 15x15x64),

• max pooling (7x7x64),

• two dropout (0.25, 0.50),

• fully connected layers (128),

• output layer (3)

上面的架构中，input就是单纯的 15 x 15 的图片，output 有3个，分别是买、卖、不做动作。关于中间的 convolutional layers 和 pooling，作者表示由于training dataset不大的关系，所以神经网络不用太大，不然会造成overfitting的状况。

这篇 paper 使用 walk forward 的方式来测试，好处是可以产生时间较长的回测结果，以下就是他们的回测效果（其中两档ETF）：

而他们也有将效果跟其他的神经网络作比较，几种常用的方法：

• CNN-TAr 作者使用的方法

• BaHr 所谓的 buy and Hold 长期持有

• RSIr 利用 RSI技术指标做出来的策略

• SMAr 均线策略

• LSTMr 神经网络策略pip

• MLPr 一般神经网络策略

下图就是商品（每一个row）和不同策略（每一个column）所对应到的年回报率：

我们可以发现CNN-TAr神经网络的效果比其他的更好！而且在大部分的商品都有比较好的年回报率。

E N D

扫描本文最下方二维码获取原版论文打包下载。

↓↓长按扫码获取完整论文↓↓

开发者涨薪指南 48位大咖的思考法则、工作方式、逻辑体系