深度股票表征学习：从烛台图到

4（b）-（c）我们展示了市场表现非常不同的特定短期，包括下行上行（b）、波动（c）和看涨（d）。我们战略的整体动态趋势反映了市场条件（意味着我们战略选择的股票代表了市场），是的，即使在各种条件下（b-c），在很长一段时间内（a），我们的表现也优于市场。特征和聚类我们评估长期（4K交易日）的特征和聚类方法。从表1可以看出，我们的方法（D-M，深度特征+基于模块的聚类）的总回报率高于R-M（R-M，原始时间序列+基于模块的聚类），分别为283.5%和208.8%。这意味着深入学习的功能可以捕获更丰富的信息，这对于投资组合优化比原始时间序列更有效。根据其他措施也可以得出类似的结论。在聚类方法方面，我们的模块化优化方法在收益率和日夏普方面优于D-K（深度特征+K-means），表明了基于模块化的聚类的有效性。正如导言中所解释的，k-means在实践中不能用于组合构建。具体而言，由于初始种子的随机性，kmeans的结果不能重复。不确定性投资策略不在表1中。特征和聚类方法的比较。R-M D-M（我们的）D-K总租金(↑) 208.8%283.5%272.6%每日夏普(↑) 最大水位降0.44 0.50 0.49(↑) -55.6%~60.5%~59.0%日平均Ret(↑) 9.7%11.1%10.9%月平均Ret(↑) 8.7%10.0%9.9%年平均回收率。

(↑) 9.6%10.0%11.19%获胜年份(↑) 64.71%69.52%66.31%在实践中为金融用户所接受，因为他们增加了另一个难以量化的不确定性来源（风险）。与基金的比较为了进一步分析我们策略的有效性，我们将我们的策略与股票市场上知名的公共基金进行了比较，如表2所示。具体而言，我们选择了2只大型基金（CCA和VXX）和雅虎（YAHOO）推荐的前3只表现最佳的基金（IEO、PXE、PXI）https://finance.yahoo.com/etfs). 请注意，资金的排名会随着时间的推移而变化。基金数据来自Yahoo Finance。因为VXX从2009年1月20日开始，所以该评估是在2000个交易日内计算的（2009年1月20日，2009年9月9日，2017年1月1日）。从表2可以看出，我们的投资组合在2000个交易日内实现了最高的回报：总回报率（215.4%）、每日回报率（16.7%）、每月回报率（16.6%）、每年回报率（11.8%），这表明我们的策略具有很强的盈利能力。我们还实现了最高的每日夏普比率（0.8），这意味着我们有效地平衡了稳定性和方差。我们实现了第二低的最大下降，这意味着我们的方法可以有效地管理投资风险。在大多数年份（62.5%），我们的portfoliomakes盈利。从盈利年份的75.0%来看，它只比PXI略差。这表明了我们战略的稳定性。表2：。与著名的FundsCCA VXX IEO PXE PXI OursTotal Ret.比较117.0%~99.9%~89.9%~101.6%~152.2%~215.4%日夏普0.7~1.1 0.4 0.4 0.6 0.8最大降幅-22.2%~99.9%~56.8%~57.6%~59.3%~30.9%日平均Ret.10.9%~67.7%~12.7%~13.4%~15.9%~16.7%月平均Ret。

10.7%-66.4%11.5%12.4%14.9%16.6%年平均Ret 6.5%-44.6%5.0%8.2%9.4%11.8%获胜年份62.5%0.0%62.5%50.0%75.0%62.5%4结论我们提出了一种基于深度学习的投资策略，其中包括：（1）利用烛台图的深度CAE编码进行新型股票表征学习，（2）通过基于模块化优化的聚类实现多元化；（3）通过在每个聚类中选择最佳夏普比率股票构建投资组合。实验结果表明：（a）我们的learnedstock特征捕获语义信息，（b）我们的投资组合在总回报方面优于FTSE 100指数和许多知名基金。确认本项工作得到了EPSRC（EP/R026173/1）、欧盟地平线2020研究与创新项目（第640891号赠款协议）和中国国家自然科学基金的支持。61773248.5参考文献[1]Harry Markowitz，“投资组合选择”，《金融杂志》，第7卷，第1期，第77-911952页。[2] John L Kelly，“信息速率的新解释”，《贝尔实验室技术期刊》，1956年。[3] Olivier Ledoit和Michael Wolf，“改进了股票收益协方差矩阵的估计，并将其应用于投资组合选择”，《经验金融杂志》，第10卷，第5期，第603–6212003页。[4] 加里·张伯伦（GaryChamberlain）和迈克尔·罗斯柴尔德（MichaelRothschild），《大型资产市场的套利、因素结构和均值方差分析》，1982年。[5] Jonathan Masci、Ueli Meier、Dan Cires,an和J¨urgenSchmidhuber，“用于分层特征提取的堆叠卷积自动编码器”，人工神经网络和机器学习-ICANN 2011，pp。

52–59,2011.[6] Yann LeCun、Leon Bottou、Yoshua Bengio和PatrickHaffner，“基于梯度的学习应用于文档识别”，IEEE会议录，1998年。[7] Lawrence Rabiner和Biing Hwang Juang，《语音识别基础》，Prentice Hall，Inc.，美国新泽西州UpperSaddle River，1993年。[8] Daniel Povey、Arnab Ghoshal、Gilles Boulianne、LukasBurget、Ondrej Glembek、Nagendra Goel、Mirko Hannemann、Petr Motlicek、Yanmin Qian、Petr Schwarz等，“kaldi语音识别工具包”，IEEE2011自动语音识别和理解研讨会。IEEE信号处理学会，2011年。[9] Dario Amodei、Sundaram Ananthanarayanan、RishitaAnubhai等，《深度演讲2：英语和汉语的端到端语音识别》，ICML，2016年，第173-182页。[10] David Silver、Aja Huang、Chris J Maddison、ArthurGuez、Laurent Sifre、George Van Den Driessche、Julian Schrittwieser、Ioannis Antonoglou、Veda Panneershelvam、Marc Lanctot等，《用深度神经网络和树搜索掌握GO游戏》，《自然》，2016年。[11] Carven von Bearnensquash，“纸格式塔”，《计算机视觉和模式识别（CVPR）秘密会议录》，2010年。[12] David F.Fouhey、Daniel Maturana和Rufus vonWoo Fles，“视觉识别等级”，在ACH SpecialInterest Group on Harry Quetzcoatl Bovik（SIGBOVIK），2015年。[13] 托马斯·菲舍尔（Thomas Fischer）和克里斯托弗·克劳斯（Christopher Krauss），《金融市场预测的长-短期记忆网络深度学习》，《欧洲运营研究杂志》，2017年。[14] Ritika Singh和Shashi Srivastava，《利用深度学习进行股票预测》，《多媒体工具与应用》，第76卷，第18期，第18569-185842017页。[15] Narasimhan Jegadeesh和Sheridan Titman，“买入赢家和卖出输家的回报：对股票市场效率的影响”，《金融杂志》，第48卷，第1期，pp。

65–91, 1993.[16] SR Nanda、Biswijit Mahanty和MK Tiwari，“为投资组合管理对印度股市数据进行聚类”，专家系统与应用程序，2010年。[17] Vincenzo Tola、Fabrizio Lillo、Mauro Gallegati、andRosario N Mantegna，“投资组合优化聚类分析”，《经济动力学与控制杂志》，2008年。[18] Mark EJ Newman，“网络中的模块化和社区结构”，《国家科学院学报》，2006年。[19] 威廉·夏普，“夏普比率”，《投资组合管理杂志》，1994年。[20] Karen Simonyan和Andrew Zisserman，“用于大规模图像识别的甚深卷积网络”，arXiv预印本arXiv:1409.15562014。[21]Laurens van der Maaten和Geoffrey Hinton，“使用t-sne可视化数据”，《机器学习研究杂志》，第2579–26052008页。