基於LSTM模型的智慧選股策略

寬邦科技發表於2019-10-21

1 LSTM原理介紹

1.1 什麼是RNN

RNN，顧名思義，是包含迴圈的神經網路。它與傳統神經網路模型最大不同之處是加入了對時序資料的處理。以股票多因子為例，傳統神經網路在某一時間截面的輸入因子資料，輸出下期超額收益預測；而RNN是將某支股票的長期因子資料作為時間序列，取過去一段時間內的資料作為輸入值。資本市場的資訊有著一定永續性，使用RNN可以充分把握“歷史重演”的機會。

如圖表1 左側所示，RNN讀取某個輸入基於LSTM模型的智慧選股策略，並輸出一個值o，迴圈可以使得資訊從當前步傳遞到下一步。從表面看，這樣的網路結構較難理解，因此將其展開為圖表1 右側。對於從序列索引1 到T 的時間序列資料，如果關注tt時刻附近的網路結構，x?代表了在序列索引號t 時刻訓練樣本的輸入，同理x?−1和x?+1代表了在序列索引號t−1 時刻和t+1 時刻訓練樣本的輸入；h?代表在t 時刻模型的隱藏狀態，不僅由x?決定，也受到h?−1的影響；o?代表在t 時刻模型的輸出，o?只由模型當前的隱藏狀態h?決定；y?是t時刻樣本序列的真實值；L?是tt時刻模型的損失函式，通過o?和y?計算得出；U、V、W 這三個矩陣是模型的引數，它們在整個模型中是共享的。

基於LSTM模型的智慧選股策略

RNN 模型本質上也是採用BP（Back Propagation）演算法進行權值和閾值的調整優化，只是增加了時間序列，叫做BPTT（Back Propagation Through Time）。公式如下：

基於LSTM模型的智慧選股策略

其中Ct表示t時刻模型輸出與真實值之間的交叉熵。對於上述公式中，如果σ為sigmoid 函式或者 tanh 函式，根據δ的遞推式，當時間跨度較大時，δ就會很小，從而使 BP 的梯度很小，產生“梯度消失”。

另外，對於引數Wℎℎ：由於RNN 中Wℎℎ在每個時刻都是指的相同引數，所以δ中會出現Wℎℎ的累乘。而多次累乘後，數值的分佈有明顯的趨勢：要麼趨近於0，要麼趨近於絕對值很大的值。而這兩種情況，就很可能會分別造成“梯度消失”和“梯度爆炸”。

1.2 什麼是LSTM

傳統RNN 模型容易產生梯度消失的問題，難以處理長序列的資料。因此Hochreater 和Schmidhuber 在1997 年提出了長短期記憶網路LSTM，通過用精心設計的隱藏層神經元緩解了傳統RNN的梯度消失問題。

1.3 LSTM V.S. RNN

在RNN 模型中，在每個序列索引位置都有一個隱藏狀態h?，如果我們略去每層都有的o?，y?和 L?，那麼模型可以簡化為如圖表4 的形式，通過線條指示的路徑可以清晰地看出隱藏狀態h?由h?−1和x?共同決定。h?將一方面用於計算當前層模型的損失，另一方面用於計算下一層的h?+1。

基於LSTM模型的智慧選股策略

LSTM 模型中，每個序列索引位置tt時刻被向前傳播的，除了和RNN 一樣的隱藏狀態h?，還多了另一個隱藏狀態，如圖表6中的標黑橫線。這個隱藏狀態被我們稱為細胞狀態C?(Cell State)，細胞也就是LSTM的一個單元。C?在LSTM 中實質上起到了RNN 中隱層狀態h?的作用。

基於LSTM模型的智慧選股策略

1.4 LSTM的單元結構

除了細胞狀態，LSTM的單元還有其他許多結構，這些結構一般稱之為門控結構(Gate)。LSTM 模型在每個序列索引位置tt的門控結構一般包括輸入門（Input Gate）, 輸出門（Output Gate）, 忘記門（Forget Gate）：這三個 Gate 本質上就是權值，形象地說，類似電路中用於控制電流的開關。當值為1，表示開關閉合，流量無損耗流過；當值為0，表示開關開啟，完全阻塞流量；當值介於(0,1)，則表示流量通過的程度。而這種[0,1]的取值，其實就是通過啟用函式實現的。

基於LSTM模型的智慧選股策略

由上述的結構分析可知，LSTM 只能避免RNN 的“梯度消失”。“梯度膨脹”雖然不是個嚴重的問題，但它會導致引數會被修改的非常遠離當前值，使得大量已完成的優化工作成為無用功。當然，“梯度膨脹”可以採用梯度裁剪（gradient clipping）來優化(如果梯度的範數大於某個給定值，將梯度同比收縮)。

1.5 LSTM小結

總結而言，LSTM內部主要有三個階段：

忘記階段。這個階段主要是對上一個節點傳進來的輸入進行選擇性忘記。簡單來說就是會 “忘記不重要的，記住重要的”。通過忘記門進行判斷。
選擇記憶階段。這個階段將對輸入有選擇性地進行“記憶”。哪些重要則著重記錄下來，哪些不重要，則少記一些。通過輸入門控制。
輸出階段。將上面兩步得到的結果相加，即可得到傳輸給下一個狀態的h?。這個階段將決定哪些將會被當成當前狀態的輸出。主要是通過輸出門控制。

02 例項：LSTM模型選股

LSTM的底層邏輯確實比較複雜，但是在實際使用中，只要能夠理解其大致原理和關鍵引數，通過呼叫平臺上的深度學習相關的各種視覺化模組，便能省時省力地構建深度學習網路，從而將精力更多地放在策略邏輯優化上。下面，我們將以一個視覺化例項展現如何通過LSTM模型進行選股。

基於LSTM模型的智慧選股策略

如圖所示，LSTM選股策略構建包含下列步驟：

獲取資料 ：A股所有股票。
特徵和標籤提取：計算7個因子作為樣本特徵；計算5日個股收益率，極值處理。
特徵預處理：進行缺失值處理；去掉特徵異常的股票，比如某個特徵值高於99.5%或低於0.5%的；標準化處理，去除特徵量綱/數量級差異的影響。
序列視窗滾動：視窗大小設定為5，滾動切割。這裡的意思是使用過去5天的因子資料作為輸入。視窗大小可調整，在“序列視窗滾動”模組中進行。
搭建LSTM模型：構建兩個隱含層的LSTM長短期記憶神經網路預測股票收益率（迴歸模型）。在視覺化策略中表現為1個輸入層；一個LSTM和一個全連線層作為隱藏層，每構建一層進行dropout斷開一些神經元防止過擬合；最後一個全連線層作為輸出層（輸出維度調整為1）。
模型訓練與預測：使用LSTM模型進行訓練和預測；可以嘗試多種啟用函式，策略預設為tanh。
策略回測：利用2010到2016年資料進行訓練，預測2016到2019年的股票表現。每日買入預測排名最靠前的30只股票，至少持有5日，同時淘汰排名靠後的股票。具體而言，預測排名越靠前，分配到的資金越多且最大資金佔用比例不超過20%；初始5日平均分配資金，之後，儘量使用剩餘資金（這裡設定最多用等量的1.5倍）。
模型評價：檢視模型回測結果。

LSTM模型的引數如下：

輸入資料：7個因子，使用了過去5天的因子資料，因此輸入7*5的一個矩陣。
LSTM層：啟用函式採用tanh，recurrent啟用函式採用hard_sigmoid。迴圈核初始化方法Orthogonal，權值使用glorot_uniform初始化方法，偏置向量使用Zeros初始化方法。
全連線層：啟用函式tanh。權重使用glorot_uniform初始化方法，偏置向量使用Zeros初始化方法。
輸出層：最後一個全連線層。需要選擇“輸出空間維度”為1，因為要得到個股的收益率預測結果，這是一個值。
隨機斷開輸入神經元比例dropout：0.2。在不同隱藏層之間使用dropout可以讓網路更耐用並且避免過擬合。
訓練次數率：epochs值為5，共訓練5輪，以mae作為評估指標。
優化器：RMSProp。
損失函式：均方誤差MSE。