机器学习择时系列之三：LSTM模型市场择时策略-210909（14页）.pdf

《机器学习择时系列之三：LSTM模型市场择时策略-210909（14页）.pdf》由会员分享，可在线阅读，更多相关《机器学习择时系列之三：LSTM模型市场择时策略-210909（14页）.pdf（14页珍藏版）》请在三个皮匠报告上搜索。

1、 请仔细阅读在本报告尾部的重要法律声明 1 LSTM 模型市场择时策略 机器学习择时系列之三 投资要点投资要点: : 量化择时交易量化择时交易策略策略 机器学习量化交易策略的制定，是通过从海量历史数据中，利用计算机强大的处理能力，挖掘并分析出那些能够为投资者带来收益的各种大概率可行的投资方式来实现的。通过数学模型对这些策略进行分析并加以验证，以期望让投资者获得更高更稳定的收益，或更合理地规避风险。 长短期记忆长短期记忆模型模型通过记忆单元有效地学习长期依赖通过记忆单元有效地学习长期依赖关系，在金融市场预测中具有明显优势关系，在金融市场预测中具有明显优势 长短期记忆网络是人工神经网络的一种，具有

2、负责计算时间序列中各个观测值之间依赖性的能力，同时具有快速适应趋势中急剧变化的固有能力。所以，长短期记忆模型可以在波动的时间序列中很好地工作。在处理股票价格这样的时间序列数据时，此模型具有明显的优势。 基于基于长短期记忆长短期记忆模型的择时策略具有高收益，高模型的择时策略具有高收益，高夏普比率，低夏普比率，低回撤率等特点回撤率等特点 长短期记忆网络可以通过记忆单元有效地学习时间序列中的长期依赖关系，对股票市场变化趋势有着较高的拟合度。所以可以根据模型对股票收益的预测结果来决定交易行为。对沪深 300 指数的回测结果表明模型具有高收益，高胜率，高夏普比率，低回撤率等优点。 基于基于长短期记忆长短

3、期记忆模型择时在风险和收益两个维度模型择时在风险和收益两个维度有着很好的表现有着很好的表现 利用长短期记忆网络构建股票收益预测模型，根据预测结果决定交易行为。通过在沪深 300 上的回测表明模型具有高收益，高胜率，高夏普比率，低回撤率的优点。 风险提示风险提示 模型基于对历史数据统计，仅作为投资参考。 评级及分析师信息 证券研究报告|量化研究报告 仅供机构投资者使用 Table_Date 2021 年 09 月 09 日 证券研究报告|量化研究报告 请仔细阅读在本报告尾部的重要法律声明 2 正文目录 1. 长短期记忆模型基本理论. 4 1.1. 长短期记忆模型的定义 . 4 1.1.1.循环神

4、经网络 . 4 1.1.2.长短期记忆模型. 4 1.2. 长短期记忆模型的学习过程 . 5 1.2.1.正向传播 . 5 1.2.2.反向传播 . 5 1.3. 小结 . 6 2. 长短期记忆模型的择时建模 . 6 2.1. 模型合理性的讨论 . 7 2.2. 模型优缺点的讨论 . 7 2.3. 策略设计思路 . 8 2.3.1. 建模方法 . 8 2.3.2. 预测方法 . 8 2.3.3. 数据及参数选择 . 8 2.4. 策略具体过程及回测分析 . 10 2.4.1. 长短期记忆模型的优化 .10 2.4.2. 3:2 的数据划分训练模式分析.12 2.4.3. 窗长窗移滚动训练模式分

5、析 .12 2.5. 择时策略讨论 . 13 3. 总结.14 4. 风险提示 .14 dV8VzWgVmUcXyXrQpOrR6MdN8OtRpPpNpNeRmMpMfQnNoPbRrQmMuOoNtRNZpOvM 证券研究报告|量化研究报告 请仔细阅读在本报告尾部的重要法律声明 3 图目录 图 1 持仓时间平均收益率 . 10 图 2 5 日平均收益率 . 10 图 3 5 日和持仓期的平均成交量之比 . 10 图 4 持仓时间长度内夏普比率 . 10 图 5 数据划分训练模式累计收益 . 13 图 6 窗长窗移训练模式累计收益 . 13 图 7 数据划分训练模式累计超额收益率 . 13

6、图 8 窗长窗移训练模式累计超额收益率 . 13 表目录 表 1 3 个特征变量 1 个响应变量及其含义 . 9 表 2 长短期记忆网络层数对回测结果的影响 . 11 表 3 训练批次对回测结果的影响 . 11 表 4 长短期记忆网络层神经元个数对回测结果的影响 . 11 表 5 两种训练方式结果对比 . 12 证券研究报告|量化研究报告 请仔细阅读在本报告尾部的重要法律声明 4 1.1.长短期记忆模型长短期记忆模型基本理论基本理论 长短期记忆模型(Long Short-Term Memory, LSTM)，是一种特殊的循环神经网络，能够学习长期依赖性。长短期记忆模型在各种各样的问题上表现非常