【深度学习量化交易1】一个金融小白尝试量化交易的设想、畅享和遐想

news2024/11/23 23:59:25

关注我的朋友们可能知道，我经常在信号处理的领域出没，时不时会发一些信号处理、深度学习科普向的文章。

不过算法研究久了，总想做一些更有趣的事情。

比如用深度学习算法赚大钱。。毕竟有什么事情能比暴富更有意思呢。

一、神经网络与彩票梦

那还是在上大学期间的一个午后，宿舍邻座的舍友在捣鼓MATLAB编程，他说他在研究使用神经网络算法做彩票预测，我闻之大惊。当时互联网还未像当今这样发达，神经网络算法还是新兴概念，在一个刚上大学还处于蒙圈阶段的愣头青（也就是我）的理解中，神经网络这种模拟人类生物学特征的算法，这种可以自主学习的算法，这种据说可以拟合一切的算法，预测彩票也不是不可能的吧！

打开知网，搜索“神经网络彩票预测”，还真的找到了佐证！

从论文中的效果来看，这准确率高的很呐[1]。

这要是能复现出来，年纪轻轻的我岂不是可以财务自由了？

不知道是幸还是不幸，论文中的“BP神经网络”像是一座难以逾越的山，十几年前的互联网可没有知乎或者B站这么便捷的学习手段，满腹疑惑也无人能解答，彩票事业就此搁浅。

此后我也逐渐明白，彩票结果都是随机数，每次开奖都是独立事件，是不可被预测的。但是奈何诱惑太大啊：万一成了呢！

直到去年，编程实现类似的预测算法已经不是难事了，再加上爬虫、网页前端后端、服务器搭建这些技术也都掌握了，于是重新拾起封存的暴富梦，把实时彩票自动预测的整个流程终于实现了出来：

首先，选择了一种简单的彩票种类——福彩3D。这个彩票每天（除了周末）都会开奖，有更大的数据量；他开出来的数字只有3位，预测起来更加简单；中奖不需要数字顺序完全一致，中奖概率也更高。只不过奖金也相应低很多。

第二，算法上也鸟枪换炮，都21世纪第3个十年了，肯定不能还用BP神经网络，我选用了LSTM长短时记忆神经网络。

第三，我在不用的服务器上搭建了定时服务，每天凌晨会自动获取当天的开奖号码，核对中奖情况，并将新的数据纳入到训练数据中预测下一次开奖号码。

这个程序一直在运行，今天他的预测结果如下：

程序跑了大半年，单选和组选各预测中了一次，组选的那次买了，小挣了173元。

当然，这个结果基本就是蒙上的了，指望这个办法财务自由终究是不靠谱。

二、深度学习与量化交易

彩票预测从原理上就否定了预测成功的可能性，但是使用深度学习炒股能不能行呢？

毕竟Alpha Go都能在围棋领域打败李世石，那我有没有可能创造出一个Beta GoGoGo打败巴菲特呢？

对此我做了一些准备：

第一，开了一个股票账户，放入了少量资金熟悉交易规则，并体验了一把2700点保卫战。

第二，开通了某证券公司的QMT，因为像米筐这些平台难以实现深度学习的量化交易，而我需要的其实只有行情数据获取以及交易接口，剩下的都可以手动搭建，使用miniQMT自建交易系统是灵活性最大的一种实现方案。

第三，买了一张4090[手动狗头]，工欲善其事必先利其器嘛。

2.1 关于交易框架的设想

1.关于交易对象。听说期货市场是量化交易的热门领域，因为T+0的规则更适合量化交易的实施，不过期货开户的门槛比较高，我当前只能开通A股主板权限，创业板都够不到，更不要说期货了。所以后续一段时间的策略都是限制在股票市场中的。

2.关于策略类型。高频交易需要专业的网络和交易设备，所以这个方向基本放弃了。我将采取更加接近传统交易的中低频量化投资方法，以智取胜。

3.关于运行环境。我将程序部署在自建的服务器上，开盘期间自动执行获取大盘数据，自动执行策略运算，自动交易，并进行持仓情况和收益率的可视化展示。

2.2 关于交易策略的畅想

在之前研究信号处理的过程中，本人也积累了一些算法经验，就当前有限的算法理解和股票市场的认识，交易策略考虑从这几个角度切入：

1.多元回归预测。股价是由市场上诸多因素共同影响的结果，将所有数据都纳入考虑和训练的范围是不现实的。我所想到的第一个策略，是利用前一个交易日接近收盘时的数据（如价格、成交量、技术指标等）作为输入，训练一个回归预测模型，以预测第二天的收盘收益率。这种策略的优势在于利用了近邻数据较强的相关性，模型训练起来可能会相对简单，并且可以将交易时段都放到收盘前的一小段时间几种处理。

2.事件驱动策略。网络上的舆情和热点事件往往对股票价格有显著的影响。通过收集和分析这些舆情数据，可以有效地捕捉市场情绪，制定相应的交易策略。就像在《脱口秀大会5》节目上，脱口秀演员House讲了他投资“600759”股票的经历，引发该股票从开盘便一路涨停。

3.时间序列预测。利用时间序列数据的自相关性，通过分析股票的历史价格数据，建立模型预测未来的价格走势。时间序列预测有着多样的算法工具，例如ARIMA、LSTM等等。

以上策略也可以共同发挥作用。