2023年量化选股策略 基于卷积神经网络的股价走势AI识别与分类.docxVIP

2023年量化选股策略 基于卷积神经网络的股价走势AI识别与分类 一、背景介绍 （一） 基于价量数据的机器学习量化选股策略 基于价量数据对未来股价走势进行预测作为一类重要的机器学习量化选股策略， 在过去受到了广泛的研究和应用。由于个股的价量数据是随着交易活动的进行而产 生的，其本质上是关于时间的一组序列。因此，为了建模价量数据与未来股价走势 之间的关系，大多数研究方法自然而然地使用了循环神经网络（Recurrent Neural Network，RNN）或Transformer这两大类时序模型。 在这些方法中，模型的输入是关于价量数据的一维或多维数组，输出则是股价 的未来走势。然而，尽管时序模型在一定程度上能够捕捉到价量序列中诸如价格、 交易量的上涨或下跌及其相互交织的高维信息，但其无法对价格和交易量的走势形 态及其变化进行有效识别。 举个例子对此进行解释。以人类视角来看，通常在对股价的未来走势进行预测 时，并不会选择直接观测一组关于价量的序列，因为能从中捕获到的不只是数字上 的涨跌。为了能更好地捕捉到价格和交易量的形态走势，通常会选择观测包含k线图、 移动平均价、交易量、MACD数据的图表，而不是一组纯粹的数字。 因此，本研究从上述观点出发，舍弃了使用时序模型对序列数据进行建模的传 统方法。取而代之的是，本研究采用卷积神经网络（Convolutional Neural Network， CNN）对标准化价量数据图表和未来股价走势进行建模，以实现对未来股价走势的 预测。对此，本方法首先构建了包含k线图、移动平均价、交易量、MACD数据的标 准化价量数据图表（如图2）。然后，设计了能捕捉图表中价量数据走势形态的卷积 神经网络来对其与未来股价走势进行建模。 （二）循环神经网络 循环神经网络（Recurrent Neural Network，RNN）是一类以序列数据为输入， 在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。 尽管循环神经网络演进出了长短期记忆（Long Short-Term Memory，LSTM）、门 控循环单元（Gated Recurrent Units，GRU）等多种形式，但其基本结构相同，如 图3所示。假设该网络以一组包含价格和交易量的二维序列数据为输入，循环神经网 络节点首先将初始化的隐藏层状态（Hidden State）h0和第一个时间节点上的价格和 交易量数据（即0.08和1000）作为输入，在信息处理后输出下一个隐藏层状态h1。 随后在下一个节点的计算中，则以上一个隐藏层状态h1和第二个时间节点上的价格 和交易量数据（即-0.03和8000）作为输入，然后输出下一个隐藏层状态h2，如此进 行直至处理完输入中的最后一个时间节点的数据。在处理完所有数据后，通常将最 后一个隐藏层状态hn作为最终输出，使用一个前馈神经网络（Feedforward neural network）对其进行降维后与未来股价走势进行建模，以此来实现模型的训练和回测。 此类循环神经网络虽然在一定程度上能够捕捉到序列数据中的数字关系，但其 无法对股票市场中价格和交易量的走势形态进行有效识别。 （三）Transformer 模型 Transformer是近年来受到广泛研究和应用的一种时序模型，其通过多头注意力 机制（Multi-Head Attention）来捕获输入时序数据中的前后关系，结构如图4所示。 与传统的循环神经网络相比，Transformer克服了短期记忆的缺点，具有能建模超长 序列数据之间关系的能力。此外，Transformer能够并行化处理数据，替代了传统循 环神经网络递归式处理数据的范式，大大提高了运算速度。 尽管如此，Transformer作为一个时序模型，其仍无法对股票市场中价格和交易 量的走势形态进行有效识别。 （四）卷积神经网络 卷积神经网络是当今计算机视觉领域的重要基础模型之一，其被广泛应用在图 像识别领域。卷积神经网络的雏形为日本学者福岛邦彦（Kunihiko Fukushima）在 其1979和1980年发表的论文中提出的neocognitron模型。neocognitron模型由S层 （Simple-Layer）和C层（Complex-Layer）构成，是一个具有深度结构的神经网络。 其通过S层单元和C层单元分别对图像特征进行提取、接收和响应不同感受野返回的 特征。由于neocognitron模型初步实现了卷积神经网络中卷积层（Convolution Layer） 和池化层（Pooling Layer）的功能，其在学界内被认为是卷积神经网络领域的开创 性研究工作。 1987年，Alexander Waibel等提出第一个较为完备的卷积神经网络，即网络时 间延迟网络（Time Del