Convolution Neural Network 初步應用於期貨市場

Convolution Neural Network ( 卷積神經網絡 ) 為一種機器學習中的監督式學習方法,應用於圖像辨識和語音辨識皆有出色的表現,策略無限也致力於使用各種不同的新方法,來做為開發策略的工具,在這裡提供一個初步如何使用類神經網路於大台指期貨的預測。

標籤 ( Label )

監督式學習的特色為必須給模型( 設計好的類神經網路架構 ) 一組數據配上一個正確答案,標籤就是所謂的正確答案,最簡單的監督式學習模型就是統計學的回歸模型。透過定義好的損失函數來進行模型中權重 ( weight ) 的調整訓練,在這裡使用簡單的想法來判斷每天不同的盤,給予不同的標籤。
分享有趣的統計,從 2001-01-02 開始統計至 2016-07-12,當天最小值會出現在前半小時的機率為 29.7%;當天最大值會出現在前半小時的機率為 32.8%。利用這個想法來判斷當天是否該進行買多或賣空。在這裡定義 L:如果當天的最大值出現在最小值之前,則標記 L = 0;如果當天的最大值出現在最小值之後,則為標記 L = 1。

不同標籤下的報酬率

統計不同標籤下前半小時的 diff,這裡定義的 diff = close_price – open_price,為前一分鐘的收盤價減去開盤價。d.short 為標籤 L = 0 的折線圖,d.long 為標籤 L = 1 的折線圖。

long2short2

卷積神經網絡架構 ( Convolution Neural Network Structure)

模仿 LeNet-5 辨識手寫數字的類神經網路架構,Kernel 為 5*1 的視窗。因為使用分鐘資料,就不進行任何 Pooling 資料維度縮減行為。

Machine lerning.png

 

精準度 ( Accuracy )

在這裡做模型精準度的測試,在 2001-01-02~2016-07-12 交易資料中,隨機抽取 100 個值當作測試樣本,其他的資料則做為訓練樣本,之後拿測試樣本計算實際精準度,這樣的試驗重複進行1000 次,精準度統計量如下。

Min Median Mean Max Std.
0.36 0.52 0.5165 0.69 0.05

可以發現這個模型預測能力其實只比丟銅板好一點點而已,還不能實際用來作為一個交易策略。

結論

Convolution Neural Network 在圖形辨識上取得高達 97% 準確度的成就,小編期待這個方法也能夠成功移植到交易策略上,相信這個模型經過改善後,精準度可以達到 60 % 或 70 %以上,然後開發成一個交易策略提供給大家。

發表迴響

在下方填入你的資料或按右方圖示以社群網站登入:

WordPress.com 標誌

您的留言將使用 WordPress.com 帳號。 登出 /  變更 )

Google photo

您的留言將使用 Google 帳號。 登出 /  變更 )

Twitter picture

您的留言將使用 Twitter 帳號。 登出 /  變更 )

Facebook照片

您的留言將使用 Facebook 帳號。 登出 /  變更 )

連結到 %s