量化基于可见性图嵌入的沪深300深度学习增强策略.docxVIP

目录 可见性图的构造以及图结构嵌入 3 可见性图 3 复杂网络的节点权重 5 从图结构中提取嵌入信息 5 模型结构与开箱分析 8 基于图结构嵌入的深度神经网络 8 DA-RNN 网络 9 CAAN 网络 10 图结构特征对股票的分类效果 11 模型效果实证 13 参数选择及准确率衡量 13 模型选股表现 14 模型择时表现 17 总结与思考 22 风险提示 23 参考文献 24 插图目录 25 可见性图的构造以及图结构嵌入 可见性图 可见性图（Visibility Graph）是一种将时间序列数据转化成图结构的方法。抽取可见图的结构特征并训练分类器的方法被广泛用于时间序列数据的分类问题。可见性图的定义如下：对于一个时间序列P = (??1 , … ????)，其可见图表示为：给定两个数据点(????, ????)和(????, ????)，若其中的所有数据点(????, ????), ???? ???? ????满足： ???? ? ???? ?????? ???? + ?? ?? ? ???? (???? ? ????) ，则两点的连线视为一条“边”（edge），时序中所有符合条件的数据点以及其“边”的集合即为这一时序的可见图。用更直观的角度解释：若将一个时间序列表达为一个柱状图，依次站在柱子的顶端“往前看”，如果可以“看到”任意一条柱子的顶端，则在这两条柱子间连接一条线，形成具有网络结构的边。 图1：可见性图连接规则示意 资料来源：Daoyuan Li et al. 2018 [1] 可见图方法通过结构图直观地展示时间序列映射后的复杂网络，此时的复杂网络继承了时间序列的属性。使用可见图方法转换时间序列为复杂网络的方法最早可以追溯到 2008 年 Lucas Lacasa 等人的论文 From time series to complex networks: The visibility graph [1]，我们可以把时间序列数据中的时间信息转换为复杂网络的节点位置信息，时间序列中的可见性关系转换为复杂网络中节点与节点间的连线关系，这种可见性的连接关系同样刻画了时间序列数据中数值的相对大小关系。但不同于时间序列的两个维度 t(时间)和 y(数值)维度，可见图的最终表示形式则为一个?? × ??的矩阵Γ，若点??与点??有连线，则矩阵中的元素?????? = 1，否则为 0。下图展示了某一只股票在 2019 年底的 20 天收盘价构造的可见性图，可视化复杂网络，及矩阵化表示（红色为 1，白色为 0）。 图2：某只股票 20 天收盘价的可见性图及复杂网络 资料来源： ， 可见性图及其特征被广泛应用于时序数据的预测中。比如，在 Daoyuan Li, et al 在 2018 年发表的论文 Extracting Statistical Graph Features for Accurate and Efficient Time Series Classification [3]中，作者将可见性图中提取出的多个特征输入 XGBoost 模型，对 UCR 大学创建的时间序列数据集中的多个时间序列数据进行了分类，并取得了显著的分类效果，证明了可见性图的结构特征可以对样本进行分类。从这一角度出发，我们可以将可见性图结构特征的分类效果应用到股票市场中，将可见图结构特征作为股票的潜在属性，输入到神经网络中，提升模型的预测效果。 在 A 股中，可见性图中的结构性特征对股票有一定的选择效果，其逻辑在于结构中蕴含的波动性与趋势。最简单且常见的图结构特征为平均最短步长，即每个节点连到其他点最短步长的平均。想象一种 U 型价格走势，按照可见性图的规则，图中的所有价格点都可以“看见”彼此，则类似的图结构有着最低的平均最短步长（一步就可以从任一点到任一点）；反之，若价格走势为倒 U 型，则图结构有着最高的平均最短步长。根据类似图结构中包含的波动率与趋势信息，我们可以构建简单的选股因子。例如，我们可以基于股票过去 20 个交易日收盘价可见性图的平均最短步长减去负收盘价可见性图的平均最短步长，构建日频选股因子，在全 A 上取得 0.03 的日度 IC。 图3：可见性图结构因子日度 IC 资料来源： ， 复杂网络的节点权重 除了每个网络的图结构特征外，我们还需要考虑每一个网络节点的权重，因为每个节点蕴含的信息权重是不一样的。在传统的复杂网络分析框架中，有很多方法可以用来衡量节点权重，如度中心性，介数中心性，接近度中心性等。我们采用 Flaviano Morone and Hernan A. Makse 于 2015 年发表的论文Influence maximization in complex networks throug