- 《深度学习新进展:Alpha因子再挖掘 深度学习研究报告之三》
关键词:深度学习、选股策略、深度学习预测模型
本文是由广发证券金融工程团队针对深度学习发布的第三篇专题报告。本文首先介绍了人工智能领域目前的发展情况并回顾了 “深度学习1.0”策略。接着本文介绍了神经网络模型和激活函数。然后,本文介绍了Dropout技术,用于降低模型的“过拟合”现象;Batch Normalization,用于加速模型的训练,并且可以获得更高的预测准确率。此外,本文还介绍了多因子选股策略的具体流程、样本筛选以及深度学习预测模型。在该模型更新后,从2011年以来,年化收益率为20.3%,最大回撤为-4.77%,月度胜率为88.0%。从实证结果来看,模型更新有助于提高策略在实际交易中的泛化能力。
- 《2017全球机器学习技术大会会刊》
关键词:机器学习、深度学习
本刊汇集了三十多位全球机器学习领域的技术领袖和行业应用专家在北京机器学习峰会的演讲稿,通过主题演讲、互动探讨、案例分享、高端培训等多种形式探讨机器学习在各领域的发展和实践应用。本刊主要涉及了关于深度学习在自然语言处理、互联网中的各种应用以及各大企业对于深度学习的运用等。
- 《基于短周期价量特征的多因子选股体系》
关键词:多因子模型,交易型阿尔法策略
本文首先从传统阿尔法模型入手,分析了传统多因子模型的不足之处并提出新的交易型阿尔法策略体系。通过预测截面阿尔法与实际截面阿尔法之间的相关系数计算, 对阿尔法模型的预测结果得到定量的评估,这便是阿尔法模型预测系数(IC of Alpha Model)。本文重点介绍了短周期价量特征多因子选股体系的构建思路和方法,并且提供了相关因子检验的基本步骤和预测结果以及换手率于交易成本的平衡分析。本文还介绍了中性多因子选股策略的设计过程(共191个因子)以及实证分析。
- 《基于深度组合的选股策略》
关键词:深度学习、选股策略、深度组合
本文引入了“深度组合”的理念,将深度学习的基本理念和选股研究相结合,对市场不同角度进行解读,解决投资中的实际问题。本文介绍了深度神经网络的结构、深度组合的构造基本思路以及深度组合中不同视角的理论基础。本文还介绍了自编码学习的基本概念和针对个股和模型的检验。文章中还给出了沪深300选股的实证分析,从数据准备和预处理,到利用损失函数优化策略,最后通过放弃对置信度不高的时间区间的投资,策略的稳定性得到了提升,最大回撤从8.33%降低到6.14%,年化收益从18.37%提升到19.98%。
- 《Cryptocurrency Portfolio Management with Deep Reinforcement Learning》
关键词:机器学习、卷积神经网络、深度学习、策略梯度、投资组合管理
本文介绍了卷积神经网络,其中,金融资产的历史价格作为其输入,投资组合权重作为输出。这种卷积神经网络被训练并用于加密电子货币交换的价格数据。这种训练以强化方式进行,最大化累计收益,即网络的报酬函数。本文通过在30分钟交易周期的实验数据上预测并回测,在同一市场上与原数据进行比较,在1.8个月的时间内实现了10倍的回报。本文就最近发表的一些组合选择策略也用于进行相同的回测,其结果与神经网络进行了比较。作者认为,该模型不限于加密电子货币,而且可以适用于任何其他金融市场。
《量化研究每周精选》每周一期,为大家提精选研报、前沿研究、热门文章等优质内容,欢迎投稿(i@bigquant.com)
精选文章下载,请点击 https://community.bigquant.com