高绩效股指交易：有效利用深度

我们的方法并不仅仅关注于构建更精确或更定向准确（价格是上涨还是下跌）的模型；相反，我们利用了模型预测收益的分布，以及预测在该分布中的“位置”携带了基于该预测执行的交易的预期盈利能力的信息。我们描述的交易政策偏离了经常使用的定向“上/下”策略，允许我们利用模型预测中包含的更多信息，即使该模型相对简单。我们提出的模型架构由一个简单但有效的深层LSTM神经网络组成，该网络在过去相对较少的时间步内（从11到22）选择与资产价格相关的少量特征，以便预测下一个时间段的价格。我们方法的新方面包括：i）当网络暴露于输入序列时，使用LSTM单元隐藏状态的整个历史作为输出层的输入；ii）一种交易策略，一旦我们对预测收益在其自身分布中的位置设定条件，就可以利用可用的信息对交易的可行性进行评估，以及iii）选择网络的超参数，以识别最具可预测性的模型变量（结合所使用的交易策略），而不是预测误差最小的模型变量，认识到仅预测精度并不能保证可预测性。我们对LSTM网络的设计选择允许我们“节约”预测模型的架构，使用2-3个LSTM层、11-22个时间步的输入序列和32-128个神经元，具体取决于所研究的斯托克指数。

我们的模型在训练数据方面很节省，在训练测试时间方面很快（在典型的台式计算机上更新模型和交易策略需要7到30秒），因此也适用于日内或多个股票/指数预测应用程序。2010年1月10日至2018年5月1日期间，我们提出的模型和交易策略在四大美国股指上进行了测试，即标准普尔500指数、道琼斯工业平均指数、纳斯达克指数和罗素2000指数。据我们所知，除了“击败”指数本身之外，我们的模型和交易策略在获得的累积或年化回报方面优于最近几项使用多年测试期的工作中提出的，同时在波动性和提取方面也表现良好。对于使用较短（例如一年）测试周期的作品，我们的方案在其选择的比较周期中表现优于一些作品，或者如果时间周期发生变化，我们的方案可能会获得较低或较高的回报，记住，在任何一个短时间间隔内进行比较时，很难得出安全的结论。基于整体的可验证性结果和本工作中使用的相当长的测试周期，我们认为我们的方法显示出了巨大的潜力。未来工作的机会包括进一步试验更复杂的分配和交易策略，可能包括卖空，以及在进行预测时使用LSTM隐藏状态的时间历史的可变部分，以确定最佳位置。此外，在制定分配策略时，优化预测回报分布百分位的选择方式，以最大限度地提高可操作性并降低风险，也是我们感兴趣的。

最后，一个原则是，可以将拟议的基于分销的交易策略与任何其他输出价格预测的模型一起使用，如果可以获得绩效收益，那么很有意思。参考Baek，Y.和Kim，H.Y.（2018）。ModAugNet：一个新的股票市场指数预测框架，包含一个过度投资预防LSTM模块和一个预测LSTM模块。专家系统与应用，113:457–480。Bao，W.、Yue，J.和Rao，Y.（2017）。使用堆叠式自动编码器和长期短期记忆的金融时间序列深度学习框架。PLoS ONE，12（7）：e0180944。Chiang，W.-C.、Enke，D.、Wu，T.和Wang，R.（2016）。一个自适应股票指数交易决策支持系统。应用专家系统，59（C）：195–207。Chong，E.、Han，C.和Park，F.C.（2017）。股票市场分析和预测的深度学习网络：方法、数据表示和案例研究。专家系统与应用，83（C）：187–205。Deng，Y.，Bao，F.，Kong，Y.，Ren，Z.，和Dai，Q.（2017）。金融信号表示和交易的深度直接强化学习。IEEE神经网络和学习系统学报，28（3）：653–664。丁，X.，张，Y.，刘，T.，段，J.（2015）。事件驱动股票预测的深度学习。第24届国际艺术情报会议记录，IJCAI\'15，第2327-2333页。AAAI出版社。Fama，E.F.和French，K.R.（1993年）。股票和债券收益中的常见风险因素。《金融经济学杂志》，33（1）：3–56。Fama，E.F.和French，K.R.（2004年）。资本资产定价模型：理论与证据。《经济展望杂志》，18（3）：25–46。Fischer，T.和Krauss，C.（2018年）。利用长短记忆网络进行金融市场预测的深度学习。

《欧洲运筹学杂志》，270（2）：654–669。Foster，G.、Vaswani，A.、Uszkoreit，J.、Macherey，W.、Kaiser，L.、Firat，O.、Jones，L.、Shazeer，N.、Wu，Y.、Bapna，A.、Johnson，M.、Schuster，M.、Chen，Z.、Hughes，M.、Parmar，N.、Chen，M.X.（2018）。两全其美：结合神经机器翻译的最新进展。《计算语言学协会第56届年会会刊》，2018年7月15日至20日，澳大利亚墨尔本，ACL 2018，第1卷：长篇论文，第76-86页。Gu，S.、Kelly，B.T.和Xiu，D.（2018）。通过机器学习的经验资产定价。瑞士金融研究所研究论文第18-71号。Hochreiter，S.和Schmidhuber，J.（1997）。长期短期记忆。神经计算，9（8）：1735–1780。哈克，N.（2009）。配对选择和排名优势：标准普尔100指数的应用。《欧洲运筹学杂志》，196（2）：819–825。哈克，N.（2010）。配对交易和排名领先：多步预测案例。《欧洲运筹学杂志》，207（3）：1702–1716。Krauss，C.、Do，X.A.和Huck，N.（2017）。深层神经网络，梯度增强树，随机森林：标准普尔500指数的统计套利。《欧洲运筹学杂志》，259（2）：689–702。Leitch，G.和Tanner，J.E.（1991）。经济预测评估：与传统误差度量的比较。《美国经济评论》，81（3）：580–90。Minh，D.L.，Sadeghi Niaraki，A.，Huy，H.D.，Min，K.，和Moon，H.（2018）。基于双流选通递归单元网络的股票短期趋势预测深度学习方法。IEEE Access，6:55392–55404。Olah，C.（2018年）。《了解LSTM网络》，2015年8月17日。http://colah.github.io/posts/2015-08-Understanding-LSTMs/[访问日期：2018年5月1日]。相反，A.M.，Agarwal，A.，和Sastry，V.（2015）。

回归神经网络和股票收益预测的混合模型。专家系统与应用，42（6）：3234–3241。Russakovsky，O.、Deng，J.、Su，H.、Krause，J.、Satheesh，S.、Ma，S.、Huang，Z.、Karpathy，A.、Khosla，A.、Bernstein，M.、Berg，A.C.和Fei Fei，L.（2015）。ImageNet大规模视觉识别挑战。国际计算机视觉杂志（IJCV），115（3）：211–252。Sermpinis，G.、Theo filatos，K.、Karathanasopoulos，A.、Georgopoulos，E.F.和Dunis，C.（2013）。使用径向基函数和粒子群优化的自适应神经网络预测外汇汇率。《欧洲运筹学杂志》，225（3）：528–540。Sethi，M.、Treleaven，P.和Rollin，S.D.B.（2014）。击败标准普尔500指数是一种成功的神经网络方法。2014年国际神经网络联合会议（IJCNN），第3074-3077页。Sezer，O.和Ozbayoglu，M.（2018）。深度卷积神经网络算法金融交易：时间序列到图像转换方法。应用软计算，70:525–538。Silver，D.、Schrittwieser，J.、Simonyan，K.、Antonoglou，I.、Huang，A.、Guez，A.、Hubert，T.、Baker，L.、Lai，M.、Bolton，A.、Chen，Y.、Lillicrap，T.、Hui，F.、Sifre，L.、van den Driessche，G.、Graepel，T.、Hassabis，D.（2017）。在没有人类知识的情况下掌握Go的游戏。《自然》，550:354359。Wu，Y.、Schuster，M.、Chen，Z.、Le，Q.V.、Norouzi，M.、Macherey，W.、Krikun，M.、Cao，Y.、Gao，Q.、Macherey，K.、Klingner，J.、Shah，A.、Johnson，M.、Liu，X.、Kaiser，L.、Gouws，S.、Kato，Y.、Kudo，T.、Kazawa，H.、Stevens，K.、Kurian，G.、Patil，N.、Wang，W.、Young，C.、Smith，J.、Riesa，J.、Rudnick，A.、Vinyals，O.、Corrado，G.、Hughes，M.和Dean J.（2016）。谷歌的neuralmachine翻译系统：填补人机翻译之间的空白。更正，abs/1609.08144。YahooFinance（2018）。

雅虎财经，符号查找（2018）。https://finance.yahoo.com/quote/[访问日期：2018年5月1日]。Zhong，X.和Enke，D.（2017）。利用降维方法预测股市日收益率。专家系统与应用，67:126–139。Zhou，F.、Zhou，H.、Yang，Z.和Yang，L.（2019年）。EMD2FNN：一种基于经验模式分解和因子分解机的神经网络相结合的股市趋势预测策略。专家系统与应用，115:136–151。