“CNN+TCN”模型在高频国债期货市场走势预测中的应用

深度学习(Deep Learning)算法的发展和成熟为高频、量化交易提供了全新的技术手段。文章将卷积神经网络(CNN)和时序卷积网络(TCN)相结合,利用CNN卷积核学习限价指令簿(LOB)空间结构上的预测信息,用TCN学习LOB时间维度上的价格相关性。同时,利用2019年5年期国债期货所有合约的level 2行情数据对"CNN+TCN"模型进行检验,发现该模型能够提供非常稳定的样本外精度,而且模型表现得稳定地、显著地优于随机森林、支持向量机等已经在业界大量应用的成熟机器学习模型,并且训练速度大为提高。

联邦强化学习文献综述

深度学习技术能够快速有效地从大量历史数据中学习规律和模式,但很多实际应用场景无法提供足够的训练数据,且要求模型对外部环境的变化快速作出反应。近一年来,联邦强化学习的发展为解决以上行业痛点带来了新思路,联邦强化学习不仅可以在隐私保护的条件下扩大样本数据,而且训练出的智能体可以跟随外部环境的变化作出合适的决策,比传统监督学习具有更好的泛化性和自适应性。本文总结了近一年来联邦强化学习的研究成果,包括基于深度Q学习算法和演员评论家算法的联邦强化学习算法,并从联邦模式、隐私保护和应用场景3方面展望其未来的研究方向。

港股市场的内地投资者行为研究——基于港股通南下资金本地偏好的影响因素分析

港股通是我国资本市场开放的重要举措,为内地投资者提供了参与港股投资的重要渠道。本文以港股通机制为场景,探索南下资金的本地偏好和配置能力。研究结果表明:南下资金具有明显侧重中资股投资的本地偏好,与中资股和沪市的价格波动呈负相关关系,而和港市的价格波动呈正相关关系。基于南下资金流比例所形成的组合收益,说明南下资金对中资股的配置能力较强,但对非中资股的配置表现平平,证实南下资金的投资偏好是一种经济理性的投资行为,也阐释了内地投资者对中资股的信息优势或熟悉程度可能是参与港股投资偏好产生的原因。基于此,本文认为,港股通机制有助于将中资股的信息传递至港市,有助于中资股在国际市场上的准确定价。