金融交易策略的生成性对抗网络

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：
《Generative Adversarial Networks for Financial Trading Strategies
  Fine-Tuning and Combination》
---
作者：
Adriano Koshiyama and Nick Firoozye and Philip Treleaven
---
最新提交年份：
2019
---
英文摘要：
  Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.
---
中文摘要：
系统交易策略是分配资产的算法程序，旨在优化特定的性能标准。为了在高度竞争的环境中获得优势，分析师需要适当微调其策略，或者发现如何以新颖的阿尔法创造方式组合微弱信号。这两个方面，即微调和组合，已使用多种方法进行了广泛研究，但新兴技术，如生成性对抗网络，可能会对这两个方面产生影响。因此，我们的工作建议使用条件生成对抗网络（CGAN）进行交易策略校准和聚合。为此，我们提供了一个完整的方法论：（i）时间序列数据cGAN的培训和选择；（ii）每个样本如何用于策略校准；以及（iii）如何将所有生成的样本用于集合建模。为了证明我们的方法有很好的基础，我们设计了一个包含579项资产的多种交易策略的实验。我们将cGAN与集成方案和模型验证方法进行了比较，两者都适用于时间序列。我们的研究结果表明，CGAN是一种合适的策略校准和组合的替代方案，在传统技术无法生成任何阿尔法的情况下，CGAN具有优异的性能。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Portfolio Management        项目组合管理
分类描述：Security selection and optimization, capital allocation, investment strategies and performance measurement
证券选择与优化、资本配置、投资策略与绩效评价
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
-->

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：交易策略 金融交易 Quantitative Optimization Applications

金融交易战略的生成性对抗网络微调和组合adriano Koshiyama、Nick Firoozye和Philip TreleavenDepartment of Computer Science，University College LondonGower Street，LondonGower，LondonGower，伦敦WC1E 6BT电话：+44（0）20 7679 2000，英国[adriano Koshiyama，15，n.Firoozye，p.treleaven]@加州大学学院。ac.UK2019年4月2日摘要系统交易策略是分配资产的算法程序，旨在优化特定的绩效标准。为了在高度竞争的环境中取得优势，分析师需要适当调整其战略，或发现如何以新颖的阿尔法创造方式组合微弱信号。这两个方面，即网络调整和组合，已使用多种方法进行了广泛研究，但新兴技术，如生成性对抗网络，可能会对这两个方面产生影响。因此，我们的工作建议使用条件生成对抗网络（CGAN）进行交易策略校准和聚合。为此，我们提供了一个完整的方法论：（i）时间序列数据cGAN的培训和选择；（ii）每个样本如何用于策略校准；以及（iii）如何将所有生成的样本用于集成建模。为了证明我们的方法有良好的基础，我们设计了一个包含579项资产的多重阅读策略实验。我们将cGAN与集成方案和模型验证方法进行了比较，两者都适用于时间序列。

我们的结果表明，CGAN是一种合适的策略调整和组合的替代方案，在传统技术无法生成任何alpha时，CGAN具有优异的性能。关键词：条件生成对抗网络、交易策略、集成、模型调整、财务1简介系统交易策略是分配资产的算法过程，旨在优化特定的性能标准。为了在高度竞争的环境中获得优势，分析师需要适当调整其战略，或者发现如何在小说创作方式中结合微弱信号。这两个方面，即微调和组合，已在不同领域进行了广泛研究，重点和假设各不相同：o预测和金融计量经济学：适当的模型微调也被称为防止后验验证：部分原因是普遍滥用后验结果，人们越来越有兴趣设计评估和比较战略的程序[4、20、33]。模型/预测组合是一个已确立的研究领域[36]，始于60年代[5]的研讨会工作，并且仍然活跃[21]。o计算统计和机器学习：模型优化以超参数优化[13，25]和模型验证方案[3，24]为幌子；关于它们之间交互的研究很少，处理相关数据场景仍然是一个开放的研究领域[6,23]。形成集合是该社区广泛采用的一种建模策略，即随机森林和梯度增强树，这是装袋和增强策略的两种主要工作方式【12，17】。总之，适当的模型调整和组合仍然是一个活跃的研究领域，尤其是对于相关的数据场景（如时间序列）。

新兴技术，如条件生成对抗网络[29]，可以对交易策略、具体调整和形成整体等方面产生影响。此外，我们还可以列出这种方法的一些优点，如：（i）与传统的重采样技术相比，生成更多样化的训练和测试集；（ii）能够针对压力事件、理想的模式检查和压力测试提取特定样本；以及（iii）为数据集提供一定程度的匿名化，不同于（重新）提取/重新采样数据的其他技术。付出的代价必须符合给定时间序列的生成模型。在这项工作中，我们展示了如何进行发电机的培训和选择；总的来说，这一部分的成本往往低于整个回溯测试或集成建模过程。因此，我们的工作建议使用条件生成对抗网络（CGAN）进行交易策略校准和聚合。我们提供的证据表明，CGAN可用于模型微调以及建立策略集成。因此，我们可以总结这项工作的主要亮点：o我们考虑了579项资产，主要是股票，但我们还包括掉期和股票指数以及货币数据我们的研究结果表明，cGAN可以替代通过固定自举进行装袋，也就是说，当自举方法无法超越时，cGAN可以用于随机梯度提升或随机森林对于模型优化，我们有证据表明CGANI是一种可行的程序，与许多其他成熟的技术相比。

因此，应将其视为时间序列建模验证方案量化策略师工具包的一部分我们工作的一个附带成果是丰富的结果和比较：据我们所知，大多数应用模型验证策略尚未使用真实数据集和不同模型进行交叉比较。因此，除了这一导言部分外，我们还将本文与其他四个部分结合起来进行了阐述。下一节提供有关GAN和CGAN的背景信息，如何为时间序列培训和选择CGAN，以及它们在交易策略的网络调整和集成建模中的应用。第三部分概述了用于两个案例研究的实验设置（场景、参数等）：微调和交易策略组合。之后，第四节介绍了两个案例研究的结果和讨论，第五节展示了我们的结论和未来可能的工作。2生成性对抗网络2.1背景生成性对抗网络（GANs）[18]是一种使用两个神经网络的建模策略：生成器（G）和鉴别器（D）。生成器负责生成丰富的高维向量，试图复制给定的数据生成过程；Discriminator用于分离生成器创建的输入和真实/观测数据生成过程。

他们共同接受培训，受益于Din从生成的数据中识别真实的能力，而当能够正确地将来自G的输入分类为伪输入，将数据集分类为真输入时，损失将最小化。竞争促使两个网络提高性能，直到真实数据与生成的数据无法区分为止。从数学角度出发，我们首先定义输入噪声变量z的先验pz（z），该变量将由生成器使用，表示为带参数ΘG的神经网络G（z，ΘG），将噪声映射到数据/输入空间G:z→ x、 我们还需要设置鉴别器，表示为神经网络D（x*, ΘD），这表示x的可能性有多大*从数据集中采样（pdata（x）–D:x*→ [0, 1]). 如前所述，对D进行训练以最大限度地增加正确的标签，而在原始配方中，对G进行训练以最大限度地减少对数（1- D（G（z）））。从[18]可以看出，D和G使用值函数V（G，D）玩以下两人极小极大对策：minGmaxDV（D，G）=Ex~pdata（x）[日志D（x）]+Ez~pz（z）[对数（1- D（G（z）））]（1）总体而言，GANs已成功应用于图像和文本生成[9]。然而，一些与ITS培训和特殊情况应用相关的问题【19，34】促进了对新体系结构、损失函数、培训等的大量研究。我们可以将这些新方法分类并总结为：o集成策略：训练多个具有不同初始条件、数据切片和任务的GAN；通过从多个检查点或在培训结束时使用聚合操作符（求和、加权平均等），编排生成器输出。

这些步骤的臭名昭著的实例是堆叠的GANs（22）、GANs（39）和AdaGANs（37）的集合损失函数重塑：重塑原始损失函数（Jensen-Shannon散度的下限），从而避免与训练不稳定性相关的问题。典型的例子有：使用带有梯度惩罚的Wasserstein-1距离[2,19]；使用分位数回归损失函数隐式推G学习累积密度函数的逆函数[30]；用均方误差形式重写目标函数–现在最小化χ-距离[28]；甚至可以将鉴别器视为一个能量函数，将低能量值分配给高数据密度的区域，引导生成器从这些区域进行采样[41]调整架构和训练过程：我们可以提到深卷积GAN【32】，其中对解决GAN的架构拓扑设置了一组约束，以使训练更加稳定。此外，进化的GAN【38】增加了GAN差异度量的训练循环，以共同优化生成器，并通过引入新的突变操作符来雇佣生成器群体。另一个与我们的工作更相关的问题是时间序列的处理，因为学习一个无条件模型，类似于原始公式，适用于图像和文本的创建/发现。然而，当目标是将其用于时间序列建模时，需要考虑先前状态空间的采样过程来保留时间序列的统计特性（自相关结构、趋势、季节性等）。

从这个意义上讲，下一小节将讨论条件GAN【29】，这是一种处理相关数据生成的更合适的建模策略。2.2条件GAN顾名思义，条件GAN（CGAN）是传统GAN的延伸，当G和D决策不仅基于噪声或生成的输入，还包括一个附加信息集v。例如，vcan代表一个类别标签、一个特定的分类特征，或者甚至是当前/预期的市场条件；因此，CGA试图学习一个隐含的条件生成模型。这种应用程序更适用于数据遵循序列（时间序列、文本等）的情况，或者当用户想要构建“假设”场景（鉴于标准普尔500指数下跌1%，我应该预计美国10年期国债的基本点变化有多大？）。与我们的工作相关的CGAN的大多数应用都集中在合成数据以改进监督学习模型上。唯一的例外是[42]，作者使用cGAN在股票市场中进行方向预测。作品【11、16】处理分类不平衡的问题，尤其是欺诈检测；他们能够证明CGAN在过采样方面优于其他传统技术。在[15]中，作者建议使用CGAN生成医学时间序列和匿名化，这是最接近我们工作的一个。他们使用cGANs生成真实的综合医疗数据，这样这些数据就可以在不考虑隐私的情况下共享和发布，甚至可以用来扩充或丰富在不同或小群体患者中收集的类似数据集。形式上，我们可以通过在原始公式中包含条件变量v来定义cGAN。因此，现在G:z×v→ x和D:x*×v→ [0，1]，如前所述，被训练以最大限度地正确标记，而在原始配方中，G被训练以最小化对数（1-D（G（z | v）））。

类似地，从[29]可以看出，D和G玩以下两人极小极大对策，其值函数为V（G，D）：minGmaxDV（D，G）=Ex~pdata（x）[对数D（x | v）]+Ez~pz（z）[对数（1- D（G（z | v）））]（2）在我们的例子中，给定一个时间序列y，y。。。，yt。。。，yT，我们的条件集是v=（yT-1，yt-2.年初至今-p） 我们的目标是采样/区分x=yt（使用pdata（yt | yt-1.年初至今-p） ）。从这个意义上讲，p设置隐式条件代数生成模型中考虑的粘贴信息量。如果p=0，则训练传统的GAN；如果p较大，则神经网络的内存较大，但需要更大的容量来建模和处理选择正确的过去值和处理噪声向量z；实验设置部分概述了我们在实验中使用的值。2.3训练和选择生成器forTime系列通过添加条件向量v，训练CGAN类似于GANs；真正的变化是如何在整个培训过程中选择正确的体系结构。算法1详细描述了一个小批量随机梯度下降训练和CGAN的选择。params表示用户在运行cGAN培训之前必须定义的一组超参数。

它主要包括：G和D体系结构、滞后数p、噪声向量大小和先验分布、小批量大小L、时代数、快照频率（snap）、样本数C以及与随机梯度优化器相关的参数；所有这些都在实验设置部分进行了详细说明（见表2）。在训练期间选择正确的cGAN是一项困难的任务，因为每个算法的计算成本都很高。1 cGAN训练和选择1：程序cGAN（[y，…，yT]，params）2：对于历元数do3：来自噪声先验pz（z）的L个噪声样本{z（1），…，z（L）}的样本小批量4：L个示例{（yT；yT）的样本小批量-1.年初至今-p） （1）。。。，（yt；yt-1.年初至今-p） （L）}来自pdata（yt | yt-1.年初至今-p） 5：通过提升其随机梯度来更新鉴别器：ΘDLLXl=1hlog D（y（l）t | y（l）t-1.y（l）t-p） +日志（1- D（G（z（l）| y（l）t-1.y（l）t-p） ））i6：样本小批量的L个噪声样本{z（1），…，z（L）}来自噪声优先的pz（z）7：通过提升其随机梯度更新生成器：ΘGLLXl=1hlog（D（G（z（l））y（l）t-1.y（l）t-p） ））i8：如果rem（历元，捕捉）==0，则9：Gk← G、 丹麦← D 将电流G、D存储为Gk、Dk10：对于c← 1，C do 从Gk11中抽取C样品：用于t← p+1，T do 生成时间序列12：采样噪声向量z~ pz（z）13：绘制y*t=Gk（z | yt-1.年初至今-p） 14：结束15：测量cGAN样本优度（类似于卡方距离）：RMSEc=vuutT- p- 1TXp+1（年初至今- y*t） 16：结束for17：所有样本的平均值：RMSE（Gk）=CPCc=1RMSE18：结束if19：结束for20：返回G：=arg minGkRMSE（Gk），D：=arg minGkRMSE（Gk）21：结束程序（a）（b）（c）图1：考虑快照频率范围和样本数量的RMSE曲线。迭代绘制多个样本并对其进行评估。我们考虑的近似方法是添加快照频率，其中存储每个快照迭代的G和D权重。