| LSTM与量化交易 |
| 作者：冯博 发表时间：2023-04-20 阅读次数：347 |
| 1.LSTM简介 LSTM(Long Short-Term Memory)是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM脱根于RNN，但相较于RNN（Recurrent Neural Network），LSTM能够解决解决长序列训练过程中的梯度消失和梯度爆炸问题，在处理时间序列数据上有着巨大的优势。 自2015年由Google提出后，LSTM在科技领域已经有了多个方面的应用。基于LSTM的系统广泛应用于翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别和股票预测等方面。 2.LSTM与RNN区别 2.1RNN的网络结构 RNN的提出是为了解决具有时序关联性的问题，例如股票趋势预测，需要上一时刻的股票价格输入作为下一时刻的输出。为解决这个问题，RNN提出了一个独特的网络结构。  上图为RNN的一个简单的网络结构示例。其中x为输入层，s为隐藏层，o为输入层，U，V为各层之间的权重参数。右侧图像为左侧图像展开为平面时的图像。 从上图我们可以清晰的看出，RNN的输出不仅和上层的输出相关，还与过往所有层的输入有关。通过建立当前输出与过往所有输入的关系，RNN获取了处理时序问题的能力。 2.2LSTM的网络结构 从上述的介绍我们知道，RNN每层的输出是依赖于在其之前的每一轮的输入。但是随着时间的推移，很久之前的输入数据所占的权重是越来越小。在处理常规时序问题时，这样处理是科学的。因为时间越久远的数据一般而言对当前的影响越小。但是很多问题是存在长期依赖的问题。长期依赖是指当前系统的状态，可能受很长时间之前系统状态的影响。 为解决这个问题，LSTM提出来一个三门结构，即输入门，输出门和遗忘门。当一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。图示为一个典型的LSTM结构。其中红色边框中的为遗忘门，橙色边框中的为输入门，绿色边框中的为输出门。当信息输入遗忘门时，遗忘门会对上级的输入数据和当前输入进行判断，输出一个0到1之间的数，0表示完全舍弃，1表示完全保留。数据输入至输入门时有两个过程，一个是有输入门对数据进行处理决定什么值需要更新，另一个是由tanh函数对输入数据进行激活。将信息输出值输出门，由输出门决定输出那些信息，最后有tanh函数进行激活。
通过LSTM独特的三门结构，LSTM成功的解决RNN在长期依赖问题的问题，同时也大大的加快的运算效率。 3.量化交易 量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种"大概率"事件以制定策略。量化交易是一门由金融、数学、计算机等学科交叉融合而来的学科。其中金融学用于量化交易模型建立的理论指导，数学用于模型的建立和推导，计算机用于模型的实现。 一个完整的量化交易模型大致可以分为三个部分，数据输入，策略的研究和结果输出。 其中输入的数据可以包括当前的一个市场的行情、您的投资经验、公司的财务数据等等，策略部分包括选择哪些股票，在何时进行选股，何时止盈止损等，输出的结果可以包含买入卖出的信号，产生的交易费用和产生的利润等。 4.LSTM运用于量化交易 LSTM运用于量化交易主要用于股票和期权的价格。以下简要的介绍一下LSTM用于预测股票价格的流程。  整个流程大致可以分为4步，数据清理，模型搭建，分析调优和对模型的一个总结分析。 数据清理过程主要是对数据进行一个预处理，包括选择哪些股票，选择的时段，选择哪些交易数据，对数据的归一化等方式。模型的搭建主要是对神经网络的构建。一个基于LSTM的神经网络模型大致可以分为数据输入、LSTM层，FC层、输出层和数据输出层。
同时,LSTM还可以用于用户情绪的分析。通过抓取各平台用户的评论，然后采用LSTM进行情感分类，最终得到一个市场用户情绪的总体画像。 5.参考文献 【1】Hochreiter, Sepp. Technische Universität München, Fakultät für Informatik, Munich, Germany;Schmidhuber, Jürgen.Long short-term memory.[J].Neural computation,1997,Vol.9(8): 1735-1780。 【2】杨丽，吴雨茜，王俊丽，刘义理.循环神经网络研究综述[J].计算机应用,2018,第38卷(202): 1-6，26 |
