人工智能在量化领域应用相关论文整理

写在前面

这篇文章整理了近些年来，人工智能技术在量化金融领域的一些研究论文，适合读者了解目前智能量化的研究现状以及热门方向，建议收藏。所有的文章可在文末获取。

1

机器学习

1.《An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework》

摘要： 本文提出了一种基于神经网络的基于技术分析指标的股票价格预测与交易系统。该模型首先利用最常用的技术分析指标将金融时间序列数据转换成一系列买入-卖出-持有触发信号。然后，在学习阶段用1997年至2007年所有Dow30股票的日收盘股价训练一个多层感知器(MLP)人工神经网络(ANN)模型。训练阶段使用Apache Spark大数据框架。然后用2007年到2017年的数据对训练好的模型进行测试。结果表明，通过选择最合适的技术指标，神经网络模型可以在大多数情况下取得与买入持有策略相当的结果。此外，技术指标的微调和优化策略可以提高整体交易绩效。

Reference：Sezer O B ,  Ozbayoglu A M ,  Dogdu E . An Artificial Neural Network-based Stock Trading System Using Technical Analysis and Big Data Framework[J].  2017:223-226.

2.《Forecasting Foreign Exchange Rate Movements with k-Nearest-Neighbour, Ridge Regression and Feed-Forward Neural Networks》

摘要：采用三种不同的数据挖掘方法(k-Nearest Neighbour、Ridge Regression和多层感知器前馈神经网络)对10个模拟时间序列和10个货币汇率的真实时间序列进行定量交易，时间序列范围从1999年的1.11.1999年到2015年的12.6.2015年。其中每种方法都以多种变体进行测试。k-NN算法中度量函数用欧几里德、曼哈顿、马氏和最大距离函数交替使用。岭回归采用线性和二次型，前馈神经网络采用1层、2层或3层隐层。最后应用主成分分析(PCA)对预测集进行降维，并对验证样本进行参数优化。在模拟研究中，我们使用一个交替扩展的随机-波动-扩散模型，以10种不同的非线性条件均值模式来模拟资产价格行为。结果表明，没有一种方法能够完全利用所模拟的时间序列的非线性模式，相反，不同的方法对不同的模式都有很好的效果。过去的价格变动和过去的回报被用作预测因素。在使用过去价格变动的情况下，二次岭回归获得了最稳健的结果，随后是一些k-NN方法。在使用过去收益的情况下，基于k-NN的方法获取最多的利益，其次是线性岭回归和二次岭回归。神经网络虽然能够在一些时间序列上获利，但在大多数时间序列上并没有获利。没有进一步的证据表明主成分分析方法可以系统地改善测试方法的结果。在研究的第二部分，将模型应用于真实汇率时间序列。总体而言，这些方法的盈利能力相当低，其中大多数方法在多数货币上都出现亏损。利润最高的货币是欧元美元，其次是欧元日元、英镑日元和欧元英镑。最成功的方法是线性岭回归和基于曼哈顿距离的k-NN方法，它们都在大部分时间序列中获得了利润(不像其他方法)。最后，利用线性岭回归的正向选择方法，将原始预测集与一些技术指标进行扩展。选择过程在线性岭回归模型的样本外结果改进方面取得了有限的成功，而在其他模型中则没有。

Reference：Fiura M . Forecasting Foreign Exchange Rate Movements with k-Nearest-Neighbour, Ridge Regression and Feed-Forward Neural Networks[J]. Social ence Electronic Publishing, 2017.

3.《A novel data-driven stock price trend prediction system》

摘要：本文提出了一种新颖的股票价格趋势预测系统，该系统可以在预先设定的预测时间内预测股票价格的变动及其增长率(或下降率)区间。它利用一种无监督的启发式算法来切割每只股票的原始交易数据到多个预定义的固定长度的片段，并根据其收盘价的形状将它们分为四类(上，下，平，和未知)。根据其相对于收盘价和相对回报率的增长(或下降)率的大小，可以将上下波动进一步划分为不同的水平。最后，利用随机森林、不平衡学习和特征选择相结合的方法对这些片段进行预测模型的训练。根据深圳创业板七年交易数据的评估表明，该系统可以做出有效的预测，并对市场波动具有鲁棒性，在准确性和单笔收益方面优于现有的一些方法。

Reference：Zhang, Jing, Cui, A novel data-driven stock price trend prediction system[J]. Expert Systems with Application, 2018.

4.《Predicting Short-Term Stock Prices using Ensemble Methods and Online Data Sources》

摘要：随着互联网的普及，诸如谷歌、维基百科等平台可以提供与公司财务业绩有关的信息，也可以通过搜索趋势、网页访问者数量或金融新闻情绪来捕获交易员的集体兴趣。从这些平台发出的信息可以显著影响股票市场的变化，或者受到股票市场变化的影响。这篇论文的首要目标是开发一个金融专家系统，该系统包含这些特征来预测短期股票价格。我们的专家系统由知识库和人工智能平台两个主要模块组成。我们的专家系统知识库捕获:(a)历史股票价格;(b)若干众所周知的技术指标;(c)某只股票已发表新闻文章的计数和情绪得分;(d)谷歌搜索给定股票行情的趋势;和(e)相关维基百科页面的独立访问者数量。一旦收集到数据，我们就使用结构化的方法进行数据准备。然后，人工智能平台训练了四种机器学习集成方法:(a)神经网络回归;(b)支持向量回归集;(c)增强的回归树;(d)随机森林回归。在交叉验证阶段，人工智能平台会为给定的股票选择最好的组合。为了评估我们的专家系统的有效性，我们首先提出了一个基于花旗集团股票的案例研究，数据收集自2013年1月1日至2016年12月31日。结果表明，该专家系统能够以平均绝对百分比误差(MAPE) 1.50%预测1天的股价，以平均绝对百分比误差(MAPE) 1.89%预测10天的股价，优于其他文献的结果。使用从在线资源提取的特征并没有替代传统的财务指标，而是补充了它们，以提高基于机器学习的方法的预测性能。为了突出我们的专家系统的实用性和通用性，我们预测了19只来自不同行业的额外股票的1天前价格，波动和增长模式。我们报告了5种不同机器学习模型中MAPE统计值的总体平均值为1.07%，其中19支股票中18支的MAPE低于0.75%。

Reference：Bin W ,  Lin L ,  Xing W , et al. Predicting Short-Term Stock Prices using Ensemble Methods and Online Data Sources[J]. Expert Systems with Applications, 2018, 112(DEC.):258-273.

2

深度学习

1.《A deep learning framework for financial time series using stacked autoencoders and long-short term memory 》

摘要：深度学习方法在金融领域的应用受到了投资者和研究人员的广泛关注。本研究提出了一种新的深度学习框架，其中小波变换(WT)，堆叠自编码器(SAEs)和长-短期记忆(LSTM)被结合用于股票价格预测。文章首次将层次化深度特征提取方法引入股票价格预测中。提出的深度学习框架主要包括三个阶段。首先，小波变换被用于对股票价格时间序列进行分解，以消除噪声。其次，利用该模型生成预测股票价格的深层次特征。第三，在LSTM中输入去噪特征，预测第二天的收盘价。实验部分选取了六个市场指数及其对应的指数期货来检验模型的绩效。结果表明，该模型在预测精度和盈利能力方面均优于其他相似模型。

Reference：Wei B ,  Jun Y ,  Yulei R , et al. A deep learning framework for financial time series using stacked autoencoders and long-short term memory[J]. PLoS ONE, 2017, 12(7):e0180944.

2.《Temporal Convolutional Attention-based Network For Sequence Modeling 》

摘要：随着前馈模型的发展，序列建模的默认模型像递归网络也逐渐取代。许多基于卷积网络和注意机制的前馈模型被提出，在处理序列建模任务方面显示出更大的潜力。我们想知道是否有一种架构既能近似替代递归网络，又能吸收前馈模型的优点。因此，我们提出了一种结合了时间卷积网络和注意机制的基于时间卷积注意的探索性网络结构。TCAN包括时间关注(Temporal Attention, TA)和增强残差(Enhanced Residual, ER)两个部分，前者捕获序列内部的相关特征，后者提取浅层的重要信息并传递到深层。

Reference：Hao H ,  Wang Y ,  Xia Y , et al. Temporal Convolutional Attention-based Network For Sequence Modeling[J].  2020.

3.《Deep Learning for Forecasting Stock Returns in the Cross-Section》

摘要：许多研究已经使用机器学习技术，包括神经网络，来预测股票回报。近年来，一种主要在图像识别和语音识别方面取得高性能的深度学习方法引起了机器学习领域的关注。本文采用深度学习的方法对日本股票市场横截面上一个月前的股票收益进行预测，并对该方法的效果进行了研究。我们的结果显示，深度神经网络的表现通常优于浅层神经网络，同时最好的网络也优于代表性的机器学习模型。这些结果表明，深度学习作为人工智能领域的先进技术，有望在预测股票收益的横截面数据上实现不错的效果。

Reference：Abe M, Nakayama H. Deep learning for forecasting stock returns in the cross-p[C]//Pacific-Asia Conference on Knowledge Discovery and Data Mining. Springer, Cham, 2018: 273-284.

4.《Forecasting the Volatility of Stock Price Index A Hybrid Model Integrating LSTM with Multiple GARCH-Type Models 》

摘要：波动性在金融市场中发挥着至关重要的作用，例如在衍生品定价、投资组合风险管理和对冲策略方面。因此，对波动率的准确预测至关重要。本文将长短期记忆(LSTM)模型与多种广义自回归条件异方差(GARCH)模型相结合，提出了一种新的长短期记忆(LSTM)模型来预测股价波动。我们使用KOSPI 200指数数据来验证提出的混合模型，该模型将一个LSTM与一到三个garch类型模型结合在一起。此外，我们通过分析单一模型，如GARCH、指数GARCH、指数加权移动平均、深度前馈神经网络(DFN)和LSTM，以及将DFN与GARCH型模型相结合的混合DFN模型，将它们的性能与现有的方法进行了比较。我们发现，将LSTM模型与三种garch型模型相结合的混合模型GEW-LSTM在平均绝对误差(MAE)、平均平方误差(MSE)、异方差调整误差(HMAE)和异方差调整误差(HMSE)方面的预测误差最小。GEW-LSTM的MAE为0.0107，比E-DFN(0.017)、EGARCH与DFN结合的模型以及现有模型中最好的模型降低了37.2%。此外，GEW-LSTM的MSE、HMAE和HMSE分别比gw - lstm小57.3%、24.7%和48%。本研究的第一个贡献是混合LSTM模型，它结合了优秀的序列模式学习和改进的股票市场波动预测性能。其次，我们提出的模型通过将神经网络模型与多个计量模型相结合而不是单一计量模型相结合，显著提高了现有文献的预测性能。最后，所提出的方法可以推广到各个领域，作为一个综合模型，结合时间序列和神经网络模型，并预测股票市场波动。

Reference：Kim H Y ,  Won C H . Forecasting the Volatility of Stock Price Index: A Hybrid Model Integrating LSTM with Multiple GARCH-Type Models[J]. Expert Systems with Applications, 2018, 103(aug.):25-37.

5.《Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets》

摘要：股票价格预测是金融领域的一个重要问题，因为它有助于制定有效的股票交易策略。在本文中，我们提出了一个通用的框架使用长短期记忆(LSTM)和卷积神经网络(CNN)对抗训练以用来预测高频股票市场。该模型以交易软件提供的公开可得的指标为输入，避免了复杂的金融理论研究和困难的技术分析，为非金融专业的普通交易者提供了方便。通过模拟实际交易者的交易模式，采用滚动分割训练集和测试集的方法，分析了模型更新周期对预测性能的影响。大量实验表明，该方法能有效提高股票价格方向预测的精度，降低预测误差。

Reference：Zhou X ,  Pan Z ,  Hu G , et al. Stock Market Prediction on High-Frequency Data Using Generative Adversarial Nets[J]. Mathematical Problems in Engineering, 2018, 2018(pt.4):1-11.

3

强化学习

1.《Deep Direct Reinforcement Learning for Financial Signal Representation and Trading》

摘要：我们能训练计算机在金融交易方面击败有经验的交易员吗?在本文中，我们试图通过引入递归深度神经网络来解决这一挑战，具体体现在用于实时金融信号的表示和交易。我们的模型受到两个相关学习概念的启发，深度学习(DL)和强化学习(RL)。在该框架中，DL部分用于动态市场的信息特征学习。然后，RL模块与深度特征表示进行交互，并做出交易决策，以在未知环境中积累最终的回报。该学习系统是在一个复杂的神经网络中实现的，即表现出深度和循环的网络结构。因此，我们提出了一种任务感知的时间反向传播方法来解决深度训练中的梯度消失问题。在测试条件下，股票和期货市场上验证了模型的鲁棒性。

Reference：Deng Y ,  Bao F ,  Kong Y , et al. Deep Direct Reinforcement Learning for Financial Signal Representation and Trading[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(3):1-12.

2.《Agent Inspired Trading Using Recurrent Reinforcement Learning and LSTM Neural Networks》

摘要：随着计算能力和深度神经网络的突破，使得我们没有探索过的领域可以通过最新的研究技术进行深入研究。在本文中，我们将介绍如何实现类似自动交易的概念。为了实现像人类交易员一样的业绩，我们的智能体将自己学习创建成功的策略，从而获得人类一般水平的长期回报。该学习模型通过长短期记忆(LSTM)循环结构中实现，并以强化学习或进化策略作为训练模式，其中，通过外汇数据GBPUSD验证了提出的系统的鲁棒性和可行性。

Reference：Lu D W . Agent Inspired Trading Using Recurrent Reinforcement Learning and LSTM Neural Networks[J]. Papers, 2017.

3.《Deep Robust Reinforcement Learning for Practical Algorithmic Trading》

摘要：在算法交易中，特征提取和交易策略设计是获取长期利润的两个突出挑战。然而，以往提出的方法严重依赖领域知识来提取手工特征，缺乏动态调整交易策略的有效方法。随着最近深度强化学习(DRL)的突破，连续的现实世界问题可以用于建模并解决一系列问题。本文提出了一种基于深度强化学习的新型交易模型，可以用于在动态金融市场中自主进行交易决策并获取利润。我们扩展了基于价值的深度Q-network (DQN)和异步优势actor-critic(A3C)，以更好地适应交易市场。具体地说，为了自动提取鲁棒的市场表示和解决金融时间序列依赖，我们利用堆叠去噪自动编码器(SDAEs)和长短期记忆(LSTM)分别作为函数逼近器的一部分。在此基础上，我们设计了位置控制行为和n-步奖励机制，使交易主体在实际交易环境中更符合实际。实验结果表明，无论在股票市场还是在期货市场，我们的交易模型都能获得稳定的风险调整收益。

Reference：Li Y ,  Zheng W ,  Zheng Z . Deep Robust Reinforcement Learning for Practical Algorithmic Trading[J]. IEEE Access, 2019, 7:1-1.

4.《A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem 》

摘要：金融投资组合管理是将资金不断重新分配到不同金融产品的过程。本文提出了一个强化学习框架，为投资组合管理问题提供了一个深度机器学习解决方案。该框架由相同独立评估器集成拓扑结构、组合向量存储器、在线随机批处理学习方案和一个充分开发的显式奖励函数组成。该框架在本工作中通过卷积神经网络(CNN)、基本递归神经网络(RNN)和长短期记忆(LSTM)三个模块实现。在投资组合测试中，该框架的三个实例在所有实验中都独占了前三名的位置，超过了其他的交易算法。尽管在回测过程中佣金率高达0.25%，但该框架能够在50天内实现至少4倍的回报。

Reference：Jiang Z ,  Xu D ,  Liang J . A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem[J]. Papers, 2017.

关注《人工智能量化实验室》公众号，后台发送052可获取所有论文。

了解更多人工智能与
量化金融知识

<-请扫码关注

让我知道你在看