基于RNN的期貨市場(chǎng)量化擇時(shí)交易分析

潘越穎

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent NeuralNetwork， RNN）是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。相比一般的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，RNN模型能夠處理序列變化的數(shù)據(jù)。比如某個(gè)單詞的意思會(huì)因?yàn)樯衔奶岬降膬?nèi)容不同而有不同的含義，RNN模型就能夠很好地解決這類問(wèn)題。而量化擇時(shí)是通過(guò)進(jìn)行買入擇時(shí)因子的編寫、分解模式一步一步對(duì)策略進(jìn)行回測(cè)、賣出擇時(shí)因子的實(shí)現(xiàn)對(duì)股票的買入和拋出時(shí)間進(jìn)行評(píng)估分析，從而達(dá)到持股人利益最大化的策略。

有效市場(chǎng)假說(shuō)認(rèn)為：假如市場(chǎng)是有效的，那么市場(chǎng)中價(jià)格總是能夠及時(shí)、準(zhǔn)確且充分地反映所有相關(guān)的信息。根據(jù)不同的資本市場(chǎng)所處的信息環(huán)境下，有效市場(chǎng)可以分為弱式有效、半強(qiáng)式有效和強(qiáng)式有效三種形式。在有效市場(chǎng)的假說(shuō)下，投資者不能依據(jù)歷史信息來(lái)獲得超額收益，因?yàn)闅v史信息已經(jīng)全部體現(xiàn)在當(dāng)前標(biāo)的的價(jià)格上。學(xué)術(shù)界有很多對(duì)我國(guó)金融市場(chǎng)有效性的研究，普遍認(rèn)為國(guó)內(nèi)金融市場(chǎng)滿足弱式有效，但也存在一定的爭(zhēng)議。本文基于股指期貨中具有代表性的滬深300期貨歷史交易數(shù)據(jù)信息，對(duì)其進(jìn)行量化擇時(shí)投資，通過(guò)不斷訓(xùn)練模型，進(jìn)而推演到商品期貨中具有典型代表的期貨，最終通過(guò)金融期貨與商品期貨的組合，從而降低風(fēng)險(xiǎn)，使利潤(rùn)最大化。最后相比不同時(shí)期的投資組合收益差與成本差來(lái)證明通過(guò)該擇時(shí)方法選定的期貨投資組合可以獲得一定的超額收益。

一、研究?jī)?nèi)容

期貨市場(chǎng)是一個(gè)充滿了不確定性的市場(chǎng)，屬于高風(fēng)險(xiǎn)高回報(bào)的市場(chǎng)，期貨價(jià)格時(shí)間序列具有非線性及高噪聲的數(shù)據(jù)特征，對(duì)其精確預(yù)測(cè)依舊十分困難。交易者要想做到穩(wěn)定盈利還是需要一套完整的交易系統(tǒng)的。沒(méi)有一個(gè)好的交易系統(tǒng)不僅不能盈利，還可能造成長(zhǎng)期虧損的危險(xiǎn)。一套好的交易系統(tǒng)是要在交易中不斷進(jìn)行一步步完善的。

期貨市場(chǎng)，隨著時(shí)間的推移，會(huì)產(chǎn)生具有順序的一系列數(shù)字，這些數(shù)字是具有序列特性的，由于時(shí)間的動(dòng)態(tài)變化，使得自變量和因變量二者之間的關(guān)系也會(huì)隨之發(fā)生變動(dòng)，本次研究主要著眼于排除隨機(jī)擾動(dòng)項(xiàng)、現(xiàn)貨市場(chǎng)對(duì)期貨價(jià)格影響后，滯后1到5階的歷史數(shù)據(jù)對(duì)期貨價(jià)格未來(lái)走勢(shì)的影響，從而對(duì)買入或賣出期貨的時(shí)機(jī)進(jìn)行大致選擇，使其機(jī)會(huì)成本最小。神經(jīng)網(wǎng)絡(luò)能夠發(fā)現(xiàn)并刻畫數(shù)據(jù)自身復(fù)雜的內(nèi)部結(jié)構(gòu)特征，也能自適應(yīng)地學(xué)習(xí)和構(gòu)建數(shù)據(jù)非線性的復(fù)雜關(guān)系，不會(huì)對(duì)輸入變量施加限制，也具備更好的遷移學(xué)習(xí)性質(zhì)，因此非常適合處理如期貨價(jià)格這樣的金融數(shù)據(jù)。RNN對(duì)具有序列特性的數(shù)據(jù)非常有效，它能挖掘數(shù)據(jù)中的時(shí)序信息以及語(yǔ)義信息，利用RNN的這種能力，使深度學(xué)習(xí)模型在解決時(shí)序分析等問(wèn)題時(shí)有所突破。

我們希望建立一個(gè)基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的非線性預(yù)測(cè)模型，研究期貨市場(chǎng)量化擇時(shí)交易策略。

二、研究方法

（一）定量分析法

我將使用定量分析法使人們對(duì)期貨市場(chǎng)的認(rèn)識(shí)進(jìn)一步精確化，對(duì)市場(chǎng)變動(dòng)的認(rèn)識(shí)更加理性，以便更加科學(xué)地參與期貨市場(chǎng)，把握本質(zhì)，理清關(guān)系，預(yù)測(cè)期貨市場(chǎng)金融期貨及大宗商品期貨的變動(dòng)情況，來(lái)確定不同時(shí)間段股指期貨與商品期貨的投資組合，從而使預(yù)期收益率最大化。

（二）文獻(xiàn)資料調(diào)研法

在研究之初，我深入學(xué)習(xí)了《深度學(xué)習(xí)》一書中與循環(huán)神經(jīng)網(wǎng)絡(luò)相關(guān)的部分，對(duì)于一些難以理解的部分采取了在線查閱資料以及組內(nèi)討論的形式，在數(shù)據(jù)獲取階段主要通過(guò)知網(wǎng)中的參考文獻(xiàn)部分，去尋找滬深300期貨價(jià)格變動(dòng)的歷史數(shù)據(jù)，同時(shí)閱讀了大量關(guān)于期貨市場(chǎng)的相關(guān)資料，幫助我們明晰整體思路，并做下一步規(guī)劃，去探求單個(gè)大宗商品的價(jià)格規(guī)律。

三、研究結(jié)果

通過(guò)RNN這種神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)某種商品的定價(jià)，而影響期貨市場(chǎng)價(jià)格變動(dòng)的因素又有很多，因此，我們要在諸多不確定性中找到確定性，通過(guò)交易方向、入市點(diǎn)、持倉(cāng)方法的選擇以及資金管理，使期貨市場(chǎng)的高收益在不同交易次數(shù)之間發(fā)生偏移。

通過(guò)收集大量資料，對(duì)期貨市場(chǎng)上不同種類的商品有大致的了解；然后根據(jù)市場(chǎng)現(xiàn)狀，來(lái)確定我們具體需要構(gòu)建的RNN模型種類；之后，利用組內(nèi)人員專業(yè)優(yōu)勢(shì)，嘗試建模；建模完成后，套入某具有代表性的期貨產(chǎn)品在過(guò)去某一個(gè)時(shí)間步的數(shù)據(jù)，通過(guò)觀察信息在某個(gè)時(shí)間步向前的計(jì)算輸出和損失，以及先后計(jì)算梯度，通過(guò)契合度測(cè)試模型的可行性，并不斷修改、不斷驗(yàn)證，從而訓(xùn)練一個(gè)成功的RNN模型，并將訓(xùn)練好的模型運(yùn)用于不同種類的期貨產(chǎn)品中，預(yù)測(cè)其未來(lái)走勢(shì)，大體思路為從金融期貨推演到不同種類的商品期貨，最終在不同的時(shí)間選取有效的投資組合，力求在相同投機(jī)需求下分散風(fēng)險(xiǎn)，盡可能地提高收益率。

我們運(yùn)用建立的模型預(yù)測(cè)該期貨未來(lái)一段時(shí)間的價(jià)格走勢(shì)。然后收集了三種典型的金融期貨——滬深300、中證500、中證1000，四類商品期貨中的典型期貨——農(nóng)產(chǎn)品中的美豆粕2301、基本金屬中的COMEX銅、能源化工WTI原油、貴金屬中的COMEX黃金等數(shù)據(jù)，以期對(duì)模型的正確性進(jìn)行檢驗(yàn)。但該模型對(duì)于不同種類的期貨預(yù)測(cè)準(zhǔn)確性和適用性有差異。該模型用于數(shù)據(jù)集較少的期貨時(shí)，模型擬合程度較低，數(shù)據(jù)可信度差；該模型用于數(shù)據(jù)集較多的期貨價(jià)格預(yù)測(cè)時(shí)，擬合程度高，數(shù)據(jù)可信度好。因此可以得出該模型可用于長(zhǎng)期期貨價(jià)格預(yù)測(cè)的特點(diǎn)。

四、創(chuàng) 新 點(diǎn)

（一）引入量化擇時(shí)

量化擇時(shí)的優(yōu)勢(shì)主要體現(xiàn)在：其一，量化擇時(shí)擁有客觀性。在交易過(guò)程中，量化擇時(shí)任何操作均不是人為進(jìn)行的，全部都是運(yùn)用計(jì)算機(jī)系統(tǒng)開展預(yù)算與測(cè)試。因此，這樣便成功地避免了投資人員心理因素和主觀情緒等方面的因素對(duì)投資過(guò)程中帶來(lái)的負(fù)面影響。在量化擇時(shí)過(guò)程中，借助計(jì)算機(jī)來(lái)構(gòu)建量化擇時(shí)模型，并對(duì)市場(chǎng)大數(shù)據(jù)開展分析，只需確保使用的模型符合投入市場(chǎng)的應(yīng)用要求。其二，量化擇時(shí)具有可控性。跟傳統(tǒng)投資項(xiàng)目相比，量化擇時(shí)擁有可控性。相比傳統(tǒng)的投資項(xiàng)目，量化擇時(shí)的投資范圍更廣， 并且通過(guò)應(yīng)用技術(shù)能夠?qū)L(fēng)險(xiǎn)降至最低水平，把風(fēng)險(xiǎn)控制在可以接受的范圍中。正因?yàn)榱炕瘬駮r(shí)擁有這一優(yōu)勢(shì)，能夠讓投資者在承擔(dān)最小風(fēng)險(xiǎn)的基礎(chǔ)上獲得較大的收益。其三，量化擇時(shí)具有高效性。量化擇時(shí)是將計(jì)算機(jī)、金融、數(shù)學(xué)等包含在內(nèi)的多種學(xué)科融合形成的一類高效投資模型，將各個(gè)學(xué)科的作用發(fā)揮出來(lái)，再經(jīng)信息處理后借助大數(shù)據(jù)來(lái)幫助投資者作出科學(xué)的投資。換而言之，量化擇時(shí)的數(shù)據(jù)是經(jīng)計(jì)算機(jī)處理后的，因此投資決策更科學(xué)，極大地減少了人員的工作負(fù)擔(dān)，提升了投資決策的高效性。

（二）引入RNN

運(yùn)用Python建立了基于RNN的期貨市場(chǎng)預(yù)測(cè)模型，并使用滬深300股指期貨數(shù)據(jù)進(jìn)行了檢驗(yàn)，訓(xùn)練集準(zhǔn)確率與測(cè)試集準(zhǔn)確率都較為滿意。

利用建立好的模型預(yù)測(cè)具有代表性的四類大宗商品期貨價(jià)格走勢(shì)，經(jīng)過(guò)不斷調(diào)整模型，來(lái)獲得近3個(gè)月的預(yù)測(cè)值與真實(shí)值的走勢(shì)圖，使R^2等于95%，最終確定近3個(gè)月使收益率最大的最優(yōu)投資組合。

（三）引入Origin

Origin是一個(gè)具有電子數(shù)據(jù)表前端的圖形化用戶界面軟件。Origin支持各種各樣的2D/3D圖形。Origin中的數(shù)據(jù)分析功能包括統(tǒng)計(jì)、信號(hào)處理、曲線擬合以及峰值分析。Origin中的曲線擬合是采用基于Levernberg-Marquardt算法（LMA）的非線性最小二乘法擬合。Origin強(qiáng)大的數(shù)據(jù)導(dǎo)入功能，支持多種格式的數(shù)據(jù)，包括ASCII、Excel、NI TDM、DIADem、NetCDF、SPC等等。圖形輸出格式多樣，例如JPEG、GIF、EPS、TIFF等。內(nèi)置的查詢工具可通過(guò)ADO訪問(wèn)數(shù)據(jù)庫(kù)數(shù)據(jù)。

總的來(lái)講，Origin在數(shù)據(jù)分析方面功能更強(qiáng)大，從操作上來(lái)講，Origin更容易上手；此外，Origin還能滿足數(shù)據(jù)擬合的功能，內(nèi)嵌了非常豐富的函數(shù)庫(kù)，相較于其他平臺(tái)，數(shù)據(jù)擬合變得更加容易操作，更加靈活。