量化交易的新思路 —— 深度学习模型
关于使用深度学习作为量化模型的核心算法已经存在诸多研究,大多数的研究还是将这种作为 CS 或 深度学习 研究论文对待,目前很少见到有直接将这种研究成果运用到实际交易中。记得两年前在 Quar 上看到有人回答关于将机器学习模型运用到金融交易中的担忧,持反对一件的人的主要观点在于机器学习是一种黑盒模型,他根据历史数据通过梯度下降等方式产生权重,由于其复杂的特质,我们无法对算法的核心交易逻辑进行解释。没有这种理解,无法控制算法的交易行为。并且无法保证算法的结果不是一种随机性的关联。
而站在支持深度学习模型一方,我们有太多理由相信模型在金融市场会有很好的效果。一方面,金融市场的价格数据是受市场中所有因素影响后产生的结果,量价等数据代表的资金博弈在先今阶段的成果。那么如果我们能尽可能收集更多的信息,是否可以对市场的某一阶段进行预测。换句话说,我们当然无法追求100%的预测,但是在一个比较短的时间周期内,达到一种相对优势的预测结果还是很有可能的。当然我们无法收集到市场的全部信息,但是我们可以实时的以最快的速度收集到市场中大部分公开信息,并对这些信息的权重进行处理。市场每个交易日都会产生海量的数据,如果我们关注短线,对这种数据的分析处理是人力所不能及的。而这恰恰是机器学习模型的优势所在。

交易周期

首先我们需要阐述一下这种交易的风格,当然我们一般的交易有两种模式:
1、长线 以年为纬度持有 2、中线 以一周 - 数月为维度持有 3、短线 以交易日或小时为维度持有 4、高频 以 Tick 级别做交易
我们在这里选择 3短线或极短线为操作模式,这是为了避免长周期的情况下,随机性事件产生的概率呈指数级的暴增,对价格的把控失控。我们只需要识别熟悉的模式显现,找到确定的套利机会,我称之为 确定性漩涡,详细参见:驾驭市场的随机性 —— 寻找确定性漩涡。就是说交易事件越短对我们约有利,即快速识别熟悉的,冲入场内持有头寸,在漩涡消失之前了结交易,及时的止盈和止损,并根据收益情况更新模型参数。

基础参数

这里会树立一些会影响到市场价格的指标,我们把这些提供给我们的模型,模型根据数据的变化找到最有优势的交易模式

量价

即 价格和交易量,因为我们尝试做短线交易,所以这一获取并提供给模型的是 1分钟的K线数据。其中包含:
1
{
2
"open": 23.5, // 开盘价
3
"close": 23.6, // 收盘价
4
"high": 23.78, // 高点
5
"low": 23.1, // 低点
6
"vol": 23400 // 交易量
7
}
Copied!

基本面分析

基本面数据核心想要提供的就是,相关公司的业绩情况和股价的关系,这里选取:
    动态市盈率
    动态市净率
    资产收益率

技术指标

技术指标通常包括前人总结下来的短线交易思路,大部分是属于时序数据处理和信号识别的范畴,有线性的:
    MACD
    KDJ
    DMI
    30 60 90 均线
即非线性的信号
    金叉
    银叉

事件驱动

使用NLP及情感分析对目标公司的新闻事件及目标市场的大事件所分析,并将分析数据导入到模型中
    高频交易
    时序数据分析
    关联资产
Last modified 1yr ago