基于深度学习的配对交易策略.docVIP

基于深度学习的配对交易策略 　　摘 要：随着我国金融创新的推进，量化交易逐渐在我国证券市场中发芽成长。量化交易领域中传统的配对交易策略，都假设股价之间满足某种特定的关系，因而存在着局限性。运用深度学习技术，可以避免在配对交易中引入前提额外假设，而是将挖掘规律的任务交给计算机来完成。使用栈式自动编码器代替传统方法，挖掘股票价格相关性中蕴含的套利机会，能形成一套新的、有着独立逻辑的交易策略。实验表明，该策略在我国A股市场表现出稳定的盈利能力，在根据近两年A股市场数据的模拟测试中，日胜率为62.9%，信息比率为0.378。 　　关键词：量化交易 配对交易 深度学习 栈式自动编码器 A股市场 　　中图分类号：TP39 文献标识码：A 文章编号：1674-098X（2017）02（c）-0247-06 　　Abstract：Quantitative trading strategy has emerged in recent years as quantitative trading gains more and more attention in China. Traditional trading strategies such as Pairs Trading Strategy always simplify the relation among assets price due to the difficulties inmodeling non-linear properties. This paper aims to seek an artificial intelligence approach based on Deep Learning technique for designing trading strategies. The widely used Auto-Encoder is a Multi-layer Neural Network which has shown its capability in modeling non-linear properties of complex data. In this paper， we propose an Auto-Encoder based approach for Pairs Trading Strategy. Experiment results demonstrate that the proposed strategy shows excellent performance in Chinese A-share stock market with Win-Rate which is 62.9% and Information Ratio which is 0.378. 　　Key Words：Quantitative Trading；Pairs Trading；Deep Learning；AutoEncoder；A-share Market 　　配??交易策略就是一种经典的量化交易策略，其基本思想来源于20世纪20年代华尔街传奇交易员Jesse Livermore的姐妹股票对（Sister stocks）交易策略。其关键点在于找到高度相关的股票对以及股票对的股价之间存在着的数量关系[1]，这也是配对交易的难点所在。目前该领域主要有四种传统方法，包括相关系数法、Vidyamurthy在2004年提出的协整法[2]、Elliott等在2005年提出的随机价差法[3]、以及Gatev等在2006年提出的最小距离法[4]。但是这些方法都有一个共同的局限性，它们都寄希望于所有股票对的价差都满足假定的模式。而事实上股票对之间的价格关系可能千变万化，不能一概而论。这些方法寻找到的股票对很可能只是其中一个很小的子集。而且传统方法常常只能用于寻找两只股票之间的线性关系，对于多只股票之间的非线性关系往往无能为力。 　　深度学习是一类新兴的多层神经网络学习算法，因其缓解了传统训练算法的局部最小性，引起机器学习领域的广泛关注[5]。深度学习通过组合低层特征形成更加抽象的高层表示（属性、类别或特征），以发现数据的分布式特征表示，实现对复杂的高维非线性函数的逼近。用深度学习技术替换配对交易策略中的传统方法，来寻找高度相关的股票对，以及股票对的股价之间存在着的数量关系，有利于挖掘更多复杂的、更隐蔽的非线性盈利机会，也可以很容易地扩展到在大量的证券中寻找套利机会。 　　该文拟用深度学习中的栈式自动编码器作为基本模型，参考配对交易策略中的基本思想，设计一种能够自动从股票相关性中挖掘套利机会，并通过买入或卖的基本思想，设计一种能够自动从股票相关性中挖掘套利机会，并通过买入