摘要：本文將為大家構建一個AI驅動的量化投資策略樣例，策略用LSTM演算法進行擇時，StockRanker演算法進行選股，並用視覺化的方式實現，文末附上策略原始碼，感興趣的朋友可以直接前往BigQuant人工智慧量化投資平臺進行實現。
一、LSTM演算法簡介
LSTM Networks是遞迴神經網路（RNNs）的一種，該演算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公佈。後經過人們的不斷改進，LSTM的內部結構逐漸變得完善起來（圖1、圖2）。在處理和預測時間序列相關的資料時會比一般的RNNs表現的更好。目前，LSTM Networks已經被廣泛應用在機器人控制、文字識別及預測、語音識別、蛋白質同源檢測等領域。
圖1LSTM層結構
圖2典型LSTM層結構
這裡ht 代表神經元的輸出，而Ct 代表神經元的狀態。系統的執行分為以下步驟：
A.計算需要被細胞丟棄的資訊：
B.計算需要新增到細胞中的資訊：
C.更新細胞狀態：
D.計算輸出資訊：
LSTM模型構建：作為迴圈層的一種神經網路結構，只使用LSTM並不能構建出一個完整的模型，LSTM還需要與其他神經網路層（如Dense層、卷積層等）配合使用。此外，還可以構建多層LSTM層來增加模型的複雜性，學習描述更高層次的時域特徵(如圖3)。
圖3LSTM的組合運用
二、LSTM在股票預測中的應用
經濟學家靠ARMA 模型預測的時間序列模型。該模型對小資料集效果很好，可容納時間序列的記憶效應，如永續性、均值迴歸、季節性等。在深入學習中，長短期記憶（Long short-term memory，LSTM）可類比於ARIMA長期短期記憶模型。LSTM 對RNN 進行了結構上的修改，來避免長期依賴問題。LSTM在股票預測中通常分為兩類應用：一是直接將LSTM輸出結果作為做單訊號在個股上進行回測，二是將LSTM的預測結果作為一種擇時訊號，再配合其他選股模型（如BigQuant平臺的StockRanker）進行回測。社群中已經在LSTM Networks應用於股票市場探究一文中提到LSTM更適用於處理個股/指數，將LSTM作為擇時模型與其他選股模型配合使用效果較好。
三、策略流程
本文策略在BigQuant平臺AI視覺化模板的基礎上建立，使用stockranker作為選股器，針對滬深300指數採用LSTM構建擇時模型作為倉位風控控制，流程圖見圖4。
關於LSTM模型中涉及的引數含義可以參考《[量化學堂-機器學習]基於LSTM的股票價格預測模型》一文中的描述。
- 開始時間：2017-07-01
- 結束時間：2018-04-30
- 選股策略：stockranker
- 優質股數量：10只
- 換倉週期：每日
- 止盈止損：使用滬深300指數LSTM的漲跌預測值進行倉位控制
LSTM的模型引數：
- 每段input預測資料的長度seq_len: 5日資料
- 輸入特徵：[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]
- 預測集長度：10*seq_len
- 神經網路結構： 1層LSTM層+3層Dense層
- 模型訓練：優化器adam，損失函式mse
- 模型輸出: 漲跌預測值(正數為持倉訊號，負數為空倉訊號)
圖4策略流程圖
四、回測結果
回測時間是2017年7月以來，總收益接近30%，超過滬深300基準指數近27.5%。從圖5可以看出，在2017年12月以及2018年2月中旬在大盤指數下跌期間，策略的淨值回撤明顯小於滬深300基準指數，這說明LSTM演算法的倉位管理起到了作用。策略原始碼在附錄，歡迎大家克隆研究。
圖5模型預測結果
五、參考文獻
1.《LSTM Networks應用於股票市場探究》
2.《LSTM Networks應用於股票市場之Functional Model》
3.《LSTM Networks應用於股票市場之Sequential Model》
4.《[量化學堂-機器學習]基於LSTM的股票價格預測模型》
5.《2018/03/08 中信建投證券：零基礎python 程式碼策略模型實戰：——大資料人工智慧研究之七 》
六、附錄
策略完整程式碼：《視覺化策略—LSTM大盤擇時+Stockranker選股》
本文由BigQuant人工智慧量化投資平臺原創推出，版權歸BigQuant所有，轉載請註明出處。