[发明专利]深度分层策略下的多源驱动量化投资模型

说明书

本方法涉及一种深度分层策略下的多源驱动量化投资模型。本方法从多源驱动的角度出发，提出了一种基于先验知识的特征组合，并设计了一个深层次的策略模型，用来在股票市场中辅助交易人员追求利益最大化。该模型包括实现了时间序列趋势判断的预判断模块，以及执行交易动作的操作模块。对于预判模块，我们设计了一个带有回归约束的生成判别网络(RC‑WGAN)来完成任务。对于操作模块，为了使机器学习更加符合人类学习过程的特点，并使其具有控制风险的能力，我们设计了一种基于深层确定性梯度策略(DDPG)的网络结构，它能够通过和市场环境互动，逐步进化，最终形成可以辅助交易者的连续仓位控制决策。我们使用道琼斯工业指数和上海证券交易所指数进行训练和测试。结果表明，该方法在投资回报率和鲁棒性方面具有良好的表现。

技术领域

本方法属于深度学习领域，涉及一种深度分层策略下的多源驱动量化投资模型，可通过和市场环境互动，逐步进化，最终形成可以辅助交易者的连续仓位控制决策。

背景技术

金融市场中，高收益与高风险并存，人们一直在争取收益最大化。随着计算机技术的快速发展，早在上世纪70年代，量化投资就已经开始在金融投资领域兴起，又经过近半个世纪的发展，人们结合金融投资细分领域的各自特点，衍生出许多量化投资模型，其中股票的量化投资最具代表性。进入21世纪以后，以高盛为代表的国外投行，对于股市中量化投资的研究进入新阶段。与此同时，人们对人工智能的研究随着谷歌公司AlphaGo的成功达到前所未有的热度。因此，众多学者试图将人工智能应用到股票的量化投资和交易方面，基于人工智能的股票量化投资在国内外逐渐兴起。近年来，监督学习和强化学习先后应用到股票量化投资的研究上，使用这类深度学习技术实现海量数据分析，量化投资从单纯的CTA/alpha等策略逐渐过渡到人工智能实现的交易策略。一方面，基于股票价格随机理论和行为-价格关联性理论，部分研究者使用监督学习来解决股票价格的多变性问题。其中有使用改进的支持向量既回归SVR进行短时高频的交易数据进行了分析；根据股票价格的时序特性使用Recurrent Neural Network(RNN)网络进行预测；将市场情绪与股价相关性研究对象，使用深度网络对金融新闻标题进行分析从而预测股票价格等方法。相对传统统计学模型而言，它在一定程度上解决了因为金融时间序列的非平稳性、非线性和高噪声所带来的拟合难和鲁棒性差等问题；另一方面，部分研究者提出模仿人类认知过程，使用强化学习进行行为建模，实现交易策略。其中有为自动金融交易建立的Q-learning模型，它在三支意大利股票数据上显现出更好的收益；有的提出了循环强化学习RRL的自适应算法，实现了比Q-Learning更好的交易策略；还有的设计了多类别强化学习Agent，并且测试了它们在不同交易频率下的收益表现，等等。人工智能应用于量化投资领域目前已取得一定成绩，同时也存在很多有待进一步改进的问题。

发明内容

本方法涉及一种深度分层策略下的多源驱动量化投资模型。本方法从多源驱动的角度出发，提出了一种基于先验知识的特征组合，并设计了一个深层次的策略模型，用来在股票市场中辅助交易人员追求利益最大化。该模型包括实现了时间序列趋势判断的预判断模块，以及执行交易动作的操作模块。对于预判模块，我们设计了一个带有回归约束的生成判别网络(RC-WGAN)来完成任务。对于操作模块，为了使机器学习更加符合人类学习过程的特点，并使其具有控制风险的能力，我们设计了一种基于深层确定性梯度策略(DDPG)的网络结构，它能够通过和市场环境互动，逐步进化，最终形成可以辅助交易者的连续仓位控制决策。包括以下步骤：

步骤1：获取股票市场原始交易数据并对其进行多源特征提取；

步骤2：使用带有回归约束的生成判别网络模型构建涨跌趋势预判模块；

步骤3：使用深层确定性梯度策略网络模型进行连续仓位控制决策；

与现有技术相比，本方法的突出特点是：

1.不仅将关注点放在模型结构和算法层面，还对投资行为因素进行了分析建模；