将预测连续时间神经网络集成到

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Integration of a Predictive, Continuous Time Neural Network into
  Securities Market Trading Operations》
---
作者：
Christopher S Kirk
---
最新提交年份：
2014
---
英文摘要：
  This paper describes recent development and test implementation of a continuous time recurrent neural network that has been configured to predict rates of change in securities. It presents outcomes in the context of popular technical analysis indicators and highlights the potential impact of continuous predictive capability on securities market trading operations.
---
中文摘要：
本文描述了连续时间递归神经网络的最新开发和测试实现，该网络已被配置为预测证券的变化率。它在流行的技术分析指标的背景下展示了结果，并强调了持续预测能力对证券市场交易操作的潜在影响。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Neural and Evolutionary Computing        神经与进化计算
分类描述：Covers neural networks, connectionism, genetic algorithms, artificial life, adaptive behavior. Roughly includes some material in ACM Subject Class C.1.3, I.2.6, I.5.
涵盖神经网络，连接主义，遗传算法，人工生命，自适应行为。大致包括ACM学科类C.1.3、I.2.6、I.5中的一些材料。
--

---
PDF下载：
--> Integration_of_a_Predictive,_Continuous_Time_Neural_Network_into_Securities_Mark.pdf (295.99 KB)

2022-5-6 07:05:23 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：神经网络 连续时间 神经网 Applications Mathematical

将预测性连续时间神经网络集成到证券市场交易运营中Christopher S KirkForecast Limited，UKdrcskirk@forecast.ltd.ukAbstractThis本文描述了一个连续时间递归神经网络的最新开发和测试实现，该网络已被配置为预测证券的变化率。它以流行的技术分析指标为背景展示了结果，并强调了持续预测能力对证券市场交易操作的潜在影响。1简介和早期开发本文详细介绍了将神经网络集成为功能交易和执行系统的子系统的研究和开发进展。本研究分为两个阶段；本研究的第一阶段包括核心神经网络算法的开发，以及在离线模式下对基础系统进行回溯测试，以确定其适用性。第二阶段是转换为一个完整的在线系统，并集成到活跃的交易操作中。2概述神经网络可以帮助解决需要适应不同环境的问题，以及算法开发复杂或不可能的问题。它们是计算机的非经典用途，在算法可以修改的虚拟空间和时间中部署大量连接和计算单元。在这样做时，他们可以利用大规模并行的机会，并被称为“学习”。这与计算机的经典用法形成了对比，计算机的运行速度肯定非常快，但只能精确地执行程序员指示的、无法“学习”的操作。以一种类似于数值方法的方式，它部署了数值算法作为“学习算法”。

这些算法通过误差最小化来改进近似，并成功地描述了复杂系统的行为，例如在计算流体动力学研究中（Kirk和Mileham，1999和2002）。该项目的驱动力是这样一个假设：连接主义理论及其在自然语言处理中的应用，加上使用软约束计算不连续时间的概念，可以用于建模和模拟证券的市场价格和变化率。这一假设已在多个不同资产类别的数据源上得到验证。这被认为与证券市场运营中的整合和采用高度相关，因为不同的资产和指数在价格范围、波动性和对外部影响的反应方面表现出各自的特点，如下图1所示。对自适应算法的要求是，该算法能够在不受干预的情况下，在一系列目标问题领域内，以良好的相关性，持续进行令人满意的建模。图1：不同汇率范围差异的比较另外，自动订单执行的广泛使用抑制了短期机会，因为以更高的频率进行程序化买卖，这是值得注意的，可以通过现有的技术指标范围进行有效建模。

据认为，一个潜在的优势是，通过高效、稳健的预测能力来改进交易和做市操作，从而得出接近变化率的近似值，利用统计套利机会，并检测隐藏的非线性模式。3研究与开发3。1阶段IA概念模型由数据采集和预处理组成，神经网络提供了一个计算核心和一个后处理执行子系统。这是一个“经典”前馈神经网络（如图2所示），它提供了一个离线测试框架来评估基于连接的网络的适用性。它被配置为接受来自多个预处理数据源（如市场间指数和经济指标）的输入。输出是一个向量，显示被评估的目标信号线（如股价）的预测范围和方向。图2：典型神经网络中的概念框架（Vanderplas，J，2014年，经kind许可转载后），这些试验是成功的，并为用作预测模型提供了基础，但得出的结论是，在进一步的工作中，可能会考虑最终用途应用类型的准确性和定义。这是本文的主要基础。第一部分描述的系统主要是为自动化（计算机到计算机）交易开发的，没有图形输出。因此，该系统后来进一步改进，以显示每种股票的图形和文本输出，以便将预测与实际报价进行比较。对一个不断发展、动态、适应性强的系统进行回溯测试并非易事。

然而，得出的结论是，对每天从150只英国股票中选出的“一篮子20只股票”的模拟长/短投资组合进行离线（批量处理）评估，为期两个月的回溯测试是合理的测试。在这个“一篮子股票”中，每一股股票的持有期并不是固定的。进入模仿组合的分类基于统计评估。选择那些在训练过程中产生最高皮尔逊相关性的人。回溯测试得出以下结果。表1：一篮子20只股票的模拟投资组合的回溯测试结果：PositioninportfolioNo。在峰值ROI0–10 41 1000 1428 42.80%32 1490 49.00%11–20 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10 41 1000 1428 42.80%的峰值ROI0–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0的峰值ROI0–10的峰值ROI0。表1中的回溯测试结果说明了平均市场中的弹性和合理表现。值得注意的是，每次选择“一篮子股票”时，它可能包含与前一轮完全不同的股票。这可能不符合最佳交易策略。看到这些可能不是具有最佳回报率或风险/回报率的执行者也不是不合理的，但可以合理地预期，该系统性能将在其他回测期间得到复制。当然，将股票子集扩展到其他行业或资产类别，同样会改变潜在的结构和回报，从数学预测到活跃交易成本后交易收益的转换也是如此。

表1中的结果仅为理论极限，显示为毛值，不考虑交易成本。3.2第二阶段神经网络电位和反向测试被认为是令人满意的，并确定应将其从批处理（离线）扩展到连续操作（在线），以推进解决方案的提供，以满足在更高频率的时间范围内操作的activetraders和其他专业人员的需求。第一阶段阐述的网络是一种“经典的”前馈-反向传播方法，采用梯度下降程序作为单个网络评估（并最小化）误差导数。通过将问题域划分为每个规范时间步之间的一系列内部状态，进一步改进了误差梯度的计算（类似于数值分析中的线性离散化）。时间反向传播方法的使用（McClelland，2013）近似并细化了内部状态每个时间步的激活和误差计算，类似于将单个网络展开为多个子系统或网络的计算，如图3所示。图3：时域离散为时间步长（dt）的计算网格。（经McClelland，J.L.（2013）图8.2的许可转载）。并行分布式处理的探索：模型、程序和练习手册，http://www.stanford.edu/group/pdplab/pdphandbook/.詹姆斯·L·麦克莱兰版权所有。在Pearlmutter 1988和1989，Williamsand Zipser，1989）的工作之后，通过用一组耦合微分方程替换离散的内部状态，进一步阐述了这一点（BPTT），以允许新网络以连续的时间能力发展。

在模拟过程中，将时域离散化为计算网格（PDE随后在其上离散），算法计算其在权重空间中的梯度，调整权重和结果输出，然后形成下一时间步的输入。这些修改在计算上可能会很昂贵，因此，在Williams和Peng（1990年）以及Williams和Zipser（1995年）的工作之后，它们被合理化了。现在，最终的算法在多个处理器节点上同时进行计算，错误检查例程不断地求和，而不是在每个历元结束时。根据绑定数据的供应，这允许网络在在线模式下连续运行。为了进一步优化网络，在1989年LeCun的工作之后，批量学习被随机算法取代，学习速度更加优雅地自动化，从而得到更快的解决方案。4.对交易业务的申请4。1市场数据反馈市场数据反馈、图表和执行（通过经纪人）通常体现在集成软件包或电子交易平台中。大公司和机构还可能将风险、合规和损益/报告系统与他们所创造的衍生品和合成产品相关的专家反馈相结合。外部市场数据的供应按频率分层，以提供对低延迟提要的访问，并提供除买卖价格以外的其他信息，如订单流和市场启发法。

本文所述类型的连续时间神经网络将与相同的数据馈送和电子交易平台同时工作，以避免限制功能。4.2技术分析指标至少可以追溯到1700年的经典技术分析（Neely and Weller，2011），是对过去价格和数量数据的统计评估，并被用作基于指标的信号生成和图表绘制的基础（Bulkowski，2000），（模式匹配成功与否在很大程度上取决于用户的体验）。在交易阶段，趋势/横向指标可能不受趋势/横向分析风格的影响。作为这些指标的补充，虚拟结构（支撑和阻力）可以通过使用局部最小/最大价格值（之前的趋势被打断或在前一个交易日的终值或波动范围）来确定。其他图表细分（Murphy，1999）可能基于参考先前价格范围或Elliott waves的斐波那契数列。技术分析指标是在现代计算机出现之前衍生出来的，用于量化许多价格关系。它们通常由一个固定的时间窗口（Murphy，1999）来表示，该时间窗口与被分析资产的价格周期相匹配。

尽管这些指标主要针对特定的资产类别或市场阶段，但许多指标都超出了其原始范围，因此与其他指标相比，可能会产生矛盾的结果。虽然这些指标只描述了一个自身正在发展的非线性动态系统的快照，但绘制技术分析指标的一个深刻价值在于，用户可以直观地看到变化，而且可以看到相对于以前价格历史的变化，用户可以在心里对其进行解释，以暗示未来的状态。

尽管它们的优点很短，但它们似乎被广泛使用（Neely and Weller，2011），因此在本文中，神经网络的输出被认为是相对于已建立的技术分析指标的最佳描述，而不是矢量及其建模结构的学术讨论。表2总结了典型的经典技术指标。表2：技术指标类别类型名称计时市场阶段跟踪移动平均值、MACDLagging趋势振荡因子RSI、随机、CCIVisuallyLeadingRange边界波动性平均范围、Bollinger、Keltnerlaging趋势/范围边界货币流量、平衡滞后趋势/范围边界结构Fibonacciumbers、，支持和抵抗隐含的领先趋势/区间界限如果神经网络的输出将在现有技术分析指标的背景下考虑，则有必要尝试合理化这些指标，并使其适应证券价格中体现的周期或波动长度变化的明显主要影响。4.3自适应使用小波变换在其他工作中，基于小波的时频分析（Raihan等人，2005年）可以评估资产定价周期的频率和时间，以及每个周期随时间变化的变化率映射。这被用于评估波周期的长度，并由此形成将指标从固定周期指标调整为自适应周期指标的基础。每个资产的周期分析对于确保使用正确的市场阶段（趋势或范围）模型至关重要。自适应技术指标的部署对现有控制系统（如模糊推理系统，FIS）进行了补充，但额外的代码修订成本很低。