融合经验模态分解与线性Transformer的高频金融时间序列预测

随着深度学习的发展,神经网络模型已被广泛应用于期货等金融资产价格序列预测研究工作中。当前的研究以低频数据为主,针对非线性、非平稳、高噪声的高频数据的预测准确率还有待提升。因此,提出CEEMDAN_Linformer模型,通过引入“分解⁃重构”方法,使用自适应噪声完全集成经验模态分解(CEEMDAN)方法对高频交易数据进行去噪预处理;通过引入时间戳进行特征融合,为输入编码提供了全局特征;使用线性Transformer提升模型的预测准确率,同时降低原始Transformer的复杂度,使其更适用于在当前的期货高频数据预测任务上。以贵金属期货品种——黄金期货、白银期货的5 min、1 h价格序列为例,实现了多步价格序列预测。实验对比了LSTM、CONVLSTM、TCN、Transformer四个基准模型,提出的模型在三个评价指标上均优于以上基准模型,取得了较好的预测效果。

基于深度强化学习的高频量化交易策略研究

当前国内金融市场的投资交易已从基于传统技术分析等方法的主观交易逐渐转向基于程序化的量化策略交易。股票市场已有大量量化策略的研究工作,但针对期货市场的量化交易策略的研究还不足,已有策略在日内高频交易中的投资回报和风险控制还有待优化。为提升期货高频量化策略的盈利和风控能力,文中设计一种期货交易环境,将1 min时间粒度的高频K线作为环境状态,针对期货交易中持仓状态和交易操作构建相应的动作空间及算法;采用基于LSTM的深度强化学习模型LSTM-Dueling DQN,使其更适用于处理序列输入的状态空间,并显著提升模型的学习速度。对DQN、Double DQN、基于全连接神经网络的Dueling DQN(FF-Dueling DQN)三个基准模型进行实验对比,得到文中构建的交易策略在四个黑色系商品期货交易中累计收益率最高达到43%,年化收益率达到153%,最大回撤控制在10.7%以内。实验结果表明,所提策略在震荡行情和趋势行情中都能实现超出业绩基准的超额收益。