论文部分内容阅读
随着计算机技术的高速发展以及大数据时代的到来,量化投资作为一种投资的方法得到了越来越多的关注,也有越来越多的研究者使用机器学习和深度学习技术挖掘金融市场的规律,实现智能量化投资。但是当前的研究工作都没能从模型上充分挖掘金融时间序列的多尺度特征和时序特征之间的相关性。本文基于以上背景,提出了多尺度自注意力机制以解决上述问题,并且以商品期货和数字货币作为研究对象,从高频时序预测、交易策略以及投资组合优化三个问题上验证多尺度自注意力机制的有效性。文章的主要工作分为以下三个部分:一、在高频时序预测方面,以往的工作大多数都是使用基于特征工程以及非深度学习模型相结合的方法,而使用深度学习的方法又不能很好挖掘时间序列上多尺度的信息和不同特征之间的相关性。本文提出了多尺度自注意力卷积神经网络(Multi-Scale Self-Attenion Convolutional Network,简称MSSACN)来预测未来一段时间价格的变化。该模型使用一维Inception结构挖掘多尺度的时间序列特征,同时使用自注意力结构用于捕捉时序上的相关性。MSSACN相比于其他已有发表的工作,在大连期货交易所交易量最大的三个期货品种上有着最高的预测精度。二、在交易策略方面,为了解决实际交易中的交易成本问题,同时能更好利用长时间的高频信息,本文提出了基于多尺度自注意力特征的循环强化学习(Multi-Scale Self-Attention based Recurrent Reinforcement Learning,简称MSSA-RRL)交易模型,其中MSSA对高频数据提取特征并且降维,RRL用于输出交易决策。实验表明MSSA-RRL在多个指标和多个品种上取得了最好的效果。此外使用MSSA提取特征的效果好于其他深度模型,这进一步验证本文提出的多尺度自注意力机制的有效性。三、在投资组合优化方面,以往的工作未能考虑到多尺度的时序信息以及不同资产之间的相互影响。本文提出了基于多尺度自注意力的投资组合模型(Multi-Scale Self-Attention based Portfolio Management,简称MSSA-PM),对各个资产在不同时间尺度上的信息和不同资产之间的相关性进行学习,并且使用强化学习进行优化和决策。实验表明,MSSA-PM在数字货币市场的多个时间段上取得了优于同类型方法的结果。