量化研究报告：深度学习期货择时模型优化及应用

要点要点深度学习近年的迅猛发展不断为金融市场提供优秀模型，相关模型也以其优异的拟合多步预测。基于预测结果我们应用简单的交易逻辑进行回测其中，螺纹钢，Brent原油以及PTA表现相对较好，达到年化收益率30%以上。但后期交易算法需进行额外优化。本篇报告主要分为四大板块:后原理。669号FRMticsfcom2).继续上篇报告深度学习模型对限价订单簿的择时策略的优化:优化过后，Seq2Seqeragebidaskprice80%，同时对滞后多期价格预测均能起到较好的预测结果。4).基于上述模型所得到的预测结果，我们将预测得到的价格数据进行简单的交易逻2/17 1 3/17、文本总结等。以经典的机器翻译过程为代表的场景关预测中，输入为(Batchsize*Timeinterval*Dimension)维度的高维向的这组编码转化为对未来序列信息的预测。点的预测结果(涨跌或价格)，同时可以在预测时生成其来价格序列时也会用到前一时刻点所预测的价格数据.即Pte=f(P1，ht−1)).4/17认知注意力的技术。这种机制可以增强神经网络输入数据中最重要的一小部分。深度学习中的注意力机制则是通过Q(Query:查询)，KkeyVValue值)三个矩阵来实现，举一个很简单的例子:类比推荐系统来说，在零食推荐时，Q代表某个人对口味的喜好信息(比如籍贯、年龄、性求解K和Q在某个线性空间的相似度得出V中各个类别的数值(关注度)的大一定的潜在关系的，也就是说通过某种变换，可以使当编码器(Encoder下同)，获得输入数据时，同时产生hidden-state以及算，具体入下图右侧，当解码器同时获得之前，还获得了额外的信息让模型自行学习应该关注过去多AttentionSeqSeq入方式5/17定加快，相较于消耗大量计算资源且不稳定的MLP和CNN模型来说，Seq2Seq练到50epochs左右呈现最佳收敛结果，且模型基本稳定在80%左右的准确率，因此可以在短期内保证较ConfusionMatrix汇总/涨跌总体/涨跌79595703607167573064737887126834060646394768949917065780755627592796960217739838763236/17收敛速度上却存在小幅下降的情况，模型训练集-验证集收敛情况上看:模型在模型准确率有小幅下降。/涨跌803171967224713668586830.6184.6824.7205742174206402.780971027296.824074860.741271270.63027/17应用的分水岭神经网络架构，但对之前的序列转导研究进行考察是非常有启发源序列F={f0，f1…fi…fn}开始，其中每个fi代表从源词汇中抽取的一个单独i据的时空特性以及我们的诉求(基于历史信息对未来价格ormer8/17经网络，本部分将对不同组件进行解释。1)模型中的Attention根据论文所示:Attention(Q，K，V)=Softmax()V这里的si，j=1j=09/17eadAttentionMultiℎead(Q，K，V)=Concat(ℎead1，…….ℎeadn)wo.ℎeadi(Q，K，V)=Attention(QwiQ，QwiK，QwiV)KAttention据。2)Add&NormFeedforward模块在模型每个模块输出进入其他模块之前都要做Normalization.rd3)DecoderMasked-Attentionentionmask)7值将全部变为零.因此可以有效来自序列当天时点之后的信息.4)PositionalEmbedding置7Transformer所示.模型收敛速度较慢:鉴于模型引入2N个代sloss下降，准确率也在逐步提升。根据AttentionisAllYouNeed一文列述Transformer与其他模型相比，虽然每一层的计算复杂度大致相同Transformer:(n2×d)，RNN:(n×k为核大小.由此可见相同空间复杂度的情况下Transformer的并行机制相对7后阶数/涨跌06单簿数据的可得性较低以及数据体量较大的问题，商品量化团仅有行情数据(开盘价，收盘价，最高价，最低价)的期货品种进MAPTATA以及国际品种:Brent原油(BZ=F)，以及铜(HG=F)报告选取分析预测具体结果展示如下。(重要提示,鉴于每份,RB,Brent原油拟合表现较好原因部分来源于训练轮数超过77我们判断预测的标准在预测值和真实值之间的相关性意义预测拟合实际的价格曲线。例如在2020-2022年能源市场极端行情下Transformer的趋势性预测。(二)模型后续应用可进行资产配置的优化以及相关风险预警。prediction_pricet+1>prediction_pricet则产生做多信号，并以第二日开盘价做多,若prediction_pricet+1<prediction_pricet则产生做空信号以第二日开盘价做空，多空手数在1-3随机选择。本次回测置滑点成本。7猪除外)，能够在简单的交易逻辑上产生正Transformer模型预测的准确程度微产品回测结果汇总nnualizedReturn4%mDrawdownrRatioRatio7在第一篇报告结果展示经过对基础多层感知机模型的逐步优化可以看出在限价订单簿上单独对空间和序列信息抽取都相较于单纯的维度变换模型在预测准确率的绝对值上都未达到理想效果，本篇报后是的模型可以自主学习和关注不定长间隔之前的信息.由此在对订单簿价格的步的表现。簿数据(实行CNN以及相Transformer测出的价格序列较为优秀的拟合了行情数据其格的拟合程度超过90%。现阶段报告在特征提取以及神经网络模型的构造上仍然存在明显缺陷.后期上迁移学习。3)基于订单簿的研究还需涉及对订单簿交易模型的深入研究，后期团队将以及策略。4)适用性上，后期进一步优化的模型训练方式可以在交易信号生成以及标需要深入研究。网络，为市场参与者提供更多有用信息。7告的版权和/或其他相关知识产权。未经中信期发表、商记及标记均为中信期货有限公司所有或经合法授权被许可使用的商标、服务标记及商标、区管辖范围内，本报告内容或其适用与任何政府机构、监管机构、自构的法律、规则或规定内容相抵触，或者中信期货有限公司未被授权在当地务，那么本报告的内容并不意图提供给这些地区的个人或组织，任何个人或