引入多時(shí)間維度特征對(duì)市場(chǎng)短期狀態(tài)分類(lèi)優(yōu)化

1、1. 研究 研究背景借助深度強(qiáng)化學(xué)習(xí)的方法對(duì) A 股市場(chǎng) 67 個(gè)賽道進(jìn)行輪動(dòng)跟蹤， 排名靠前的賽道組合相對(duì)于全賽道等權(quán)配置具有明顯的超額回報(bào)，深度強(qiáng)化學(xué)習(xí)的賽道選擇方法得到了檢驗(yàn)。研究背景論述和強(qiáng)化學(xué)習(xí)模型框架的選取詳見(jiàn)報(bào)告《 “成績(jī)”的賽道 0.1.0 版》本系列報(bào)告將運(yùn)用相同的系統(tǒng)模型對(duì) A 股市場(chǎng)的個(gè)股進(jìn)行優(yōu)選并構(gòu)建投資組合進(jìn)行回測(cè)， 本文將展示現(xiàn)有模型在多個(gè)場(chǎng)景上的短期狀態(tài)預(yù)測(cè)效果， 并測(cè)試引入短期和中長(zhǎng)期時(shí)間維度的同類(lèi)

2、型特征對(duì)模型的提升效果。1.1. 深度學(xué)習(xí)模型 習(xí)模型在此前的研究報(bào)告中我們對(duì)比了 GAF-CNN， NT-CNN，LSTM-RNN 三種識(shí)別市場(chǎng)狀態(tài)的方法。其中，前兩者相較于 LSTM-RNN 能更好的從價(jià)量信息對(duì)應(yīng)的蠟燭圖中提取信息， 對(duì)相應(yīng)的短、 中、 長(zhǎng)期漲跌狀態(tài)預(yù)測(cè)有更高的準(zhǔn)確率。 此外，GAF 將 OHLC + Volume 5 個(gè)時(shí)間序列分別進(jìn)行轉(zhuǎn)換變形， 得到比 NT 轉(zhuǎn)換更加豐富的信息交給卷積神經(jīng)網(wǎng)絡(luò)去識(shí)別；但另一方

3、面，NT 變化將 5 個(gè)價(jià)量序列標(biāo)注在同一張圖中，能提供更多特征間的關(guān)系信息。本文以前期報(bào)告中預(yù)測(cè)準(zhǔn)確度最高， 表現(xiàn)最優(yōu)的 GAF-CNN 模型作為參照 (以下標(biāo)注為 Baseline 模型) ，并在原有的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上進(jìn)行特征工程優(yōu)化和初步的卷積層優(yōu)化，并通過(guò)實(shí)驗(yàn)對(duì)比不同模型對(duì)個(gè)股市場(chǎng)短期狀態(tài)的預(yù)測(cè)結(jié)果。1.2. 預(yù)測(cè)個(gè)股的 股的市場(chǎng)短期狀態(tài) 期狀態(tài)與行業(yè)賽道的狀態(tài)預(yù)測(cè)相似， 利用個(gè)股的價(jià)量 （OHLC+Volume） 數(shù)據(jù)構(gòu)

4、建分類(lèi)模型，定義市場(chǎng)狀態(tài)作為后續(xù)強(qiáng)化學(xué)習(xí)模型的輸入。本文沿用了對(duì) A 股市場(chǎng)行業(yè)賽道的市場(chǎng)短期狀態(tài)的定義方法，由相應(yīng)個(gè)股的短、中、長(zhǎng)期漲跌狀態(tài)來(lái)確定，標(biāo)記為 [S1, S5, S10]，映射到 8 種不同的市場(chǎng)狀態(tài)， 見(jiàn)表 1， 詳細(xì)論述請(qǐng)見(jiàn)前期報(bào)告 《 “成績(jī)” 的賽道 0.1.0 版》 。表 1：個(gè)股漲跌 股漲跌形態(tài)向 態(tài)向量值與 值與其市場(chǎng)狀 市場(chǎng)狀態(tài)對(duì)應(yīng)表 對(duì)應(yīng)表S1 S5 S10 State0 0 0 00 0 1 1

5、0 1 0 20 1 1 31 0 0 41 0 1 51 1 0 61 1 1 7資料來(lái)源：2.2. 擴(kuò)充不同時(shí) 同時(shí)間維度的數(shù) 的數(shù)據(jù)特征 特征在構(gòu)建個(gè)股的特征數(shù)據(jù)集時(shí)， 對(duì)股票價(jià)量數(shù)據(jù)的 5 個(gè) 10-time step 時(shí)間序列（OHLC+Volume）進(jìn)行 GAF 轉(zhuǎn)換，得到 2D * 5 的特征向量；或者進(jìn)行 NT 變換，將價(jià)量信息編織在同一張 2D 特征圖中。在現(xiàn)有的股票日級(jí)別量?jī)r(jià)數(shù)據(jù)基礎(chǔ)上，為了讓狀態(tài)

6、分類(lèi)模型能對(duì)價(jià)量變化做出更及時(shí)的反應(yīng)，引入更高頻的數(shù)據(jù)，即 60 分鐘線價(jià)量信息；同時(shí)我們考慮市場(chǎng)變化偏離預(yù)期的情況， 即當(dāng)前需要進(jìn)行狀態(tài)預(yù)測(cè)的行情， 與訓(xùn)練模型所用的上一個(gè)季度的歷史行情走勢(shì)大相徑庭， 為了讓模型適應(yīng)更長(zhǎng)時(shí)間的歷史數(shù)據(jù)中的行情特征， 引入涵蓋更長(zhǎng)時(shí)間段的低頻數(shù)據(jù)， 即周線價(jià)量信息。 對(duì)三種時(shí)間維度的價(jià)量信息再采取相同的方式進(jìn)行特征提取。詳細(xì)的特征提取方式為，對(duì)每只股票的每個(gè)采樣交易日 d，選取[𝑑 ?

7、9, 𝑑]的 10-time step 的日線 OHLCV 數(shù)據(jù)； 以當(dāng)日 15： 00 點(diǎn)為時(shí)刻 t， 選取[𝑡 ? 9, 𝑡]的 10-time step 的 60min級(jí)別的歷史數(shù)據(jù)；再選取[𝑤 ? 9, 𝑤]的 10-time step 的周線歷史數(shù)據(jù)，其中，周線數(shù)據(jù)是在日線價(jià)量數(shù)據(jù)基礎(chǔ)上以每 5 日為一個(gè)時(shí)間間隔進(jìn)行計(jì)算得到。圖 1：

8、用歷史數(shù) 歷史數(shù)據(jù)生成 生成樣本特 本特征的采樣 的采樣原理資料來(lái)源：依據(jù)圖 1 中時(shí)間戳對(duì)齊的方法，對(duì)任意股票樣本的任意交易日，取得相應(yīng)的歷史數(shù)據(jù)，即 60min 級(jí)別、日級(jí)別和周級(jí)別 OHLCV 序列，再采用 2.1 中所介紹的 GAF/NT 轉(zhuǎn)換，即可得到相應(yīng)的特征數(shù)據(jù)。以股票樣本（000498.SZ）為例，選取交易日 2021 年 5 月 21 日，對(duì)樣本進(jìn)行特征提取，其三種時(shí)間維度的價(jià)量圖和對(duì)應(yīng)的特征轉(zhuǎn)換結(jié)果，由圖