機器學習於量化交易的挑戰與解法 - 韓承佑

[TOC]

投資:長期經營
錢換來的價值= 「時間」

時間帶來的好處：

• 為社會帶來更多的影響

一個人能不能好死取決於有沒有把資產的 70% 花在投資上。

• 有投資: 年老後資產繼續增長
• 沒投資: 年老後沒錢

Finlab

https://www.finlab.tw/mopcon.html
講者投影片: https://www.finlab.tw/slide_mopcon.pdf

Machine Learning

• AI 的 papers 數量不斷提升，平均每天需讀10篇以上才可完全跟上最新技術

Supervised Machine Learning 兩步驟

• Training (訓練)
  • features
  • labels 預測種類
• Testing (確認)
  • 從 features 預測出 labels

不給答案（label），能做預測嗎？

Financial Data(features)

• Fundamental data
  Focusing in creating a portrait of a company

• Trading Data

如何查看公司價值：

1. 財報：公司價值、獲利
2. 價量（股價）

機器學習可透過股價來判斷後續發展獲利

Creating Technical indicators

原始資料是"股價" Price historical data
利用原始資料計算出各種指標作為特徵，如:

• RSI(是可看出 股價相對強弱 的指標，Relative Strength Index)
• KD值 …等

指標有什麼用？做預測股票上漲或下跌

使用講者提供的程式碼:

Labeling

探討時間和漲跌的關係

Challenging of Labeling the data

fixed time horizon
標記方式:一段時間內(w):

• 如果上升，標記為 +1
• 如果沒變動，標記為 0
• 如果下降，標記為 -1

問題: 必須持有一段時間(w)，才能賣出股票(風險承擔性較大)

Label Generation Methods

• tripel barriers
  • 1, 0 ,-1（漲, 不漲, 跌）
• Continuous trading signals （Dash 2016）
  • 連續的區間（利用內差公式來得到區間內的位置）
  • 愈接近1: 上漲
  • 愈接近0: 下跌
• Trading Point decision
  • 看整個時間序列去做判斷
  • 找出 local minimun 和 maximun 點
  • 利用這些點，對原始股價訊號進行切割，以直線來趨近原始訊號

概念上透過機器學習達到，低價買入、高價賣出的近似訊號。

Demo

問題：講者提供的label對於股票預測有何影響?

講者：買賣股票的方式有很多種，可以產生很多種策略

• 例如「趨勢」跟「逆勢」，趨勢型的策略勝率低，但是單筆獲利較多，而逆勢型則是勝率高，但單筆虧損較嚴重，而不論是「趨勢」或「逆勢」交易，都是有機會可以獲利的
• 還有不同的交易頻率（每分鐘、每小時、每天、每月），也都可以產生出不同的訊號，頻率高採樣多，所以交易獲利比較穩定，但是手續費昂貴。交易頻率低則剛好相反，各有優劣
  所以根據不同的 label ，就可以用同樣的模型 創造出各種不同的策略喔！
  假如您有很多種不同的labeling方式，都可以產生獲利模型，分散風險，會是不錯的選擇！

Neural Network (神經網路)

• 用數學來模擬神經，突觸、軸突等構造

Deep Neural Network (深度神經網路)

• 神經網路有很多層
  • 透過多層的權重(Weight)將輸入訊號(input)映射到答案(label)
  • 利用 Cost Function 來計算誤差，用以調整Weight
  • Cost愈大，代表誤差愈大
  • 調整 Weight，讓Cost盡可能降低(類似走在山坡上，盡量要往低處走)
    

Long Short Term Memory Neural Network ( LSTM )

• 有記憶的效應 (利用Forget Gate, Input Gate, Output Gate 等結構)
• LSTM 可以解決梯度爆炸(Gradient Expoding)、梯度消失(Gradient Vanishing)的問題
• 有真正的記憶體
• 用額外的神經網路來達到記憶的效果

Convolutional Neural Network（CNN）

• 經常用於電腦視覺 (Image)
• 讓節點只處理不分區部分的分析不需要每一個像素都處理
• 優點：
  • 避免過度擬和 (Overfitting)

視覺網路 vs 交易

Time series to Image conversion Approach

Backtest (回測)

• 需注意的：
  • 生存者偏差，可能是很爛的策略意外剛好對了
  • 可能會正確找到一張過去開獎過的樂透，但其實對未來預測幫助不大
• 解法：
  • Develop model for entire asset or classes
  • 使用 Bootstrap aggregating
  • 紀錄每次回測
  • Resist the temptation of reusing a failed strategy

序列資料切 Validation 遇到的問題

由於是序列化資料，訓練資料很容易包含測試資料。

tags: MOPCON 2019