價格時序預測-LSTM

• LSTM原理
• LSTM基本使用原理
• Pseudo Trading
• Keras LSTM Layer使用結果
• • In-Sample結果
  • Out-of-Sample結果

LSTM原理

LSTM是一種有監督神經網絡。在普通的RNN模塊里增加一個“短期記憶”模塊，使得神經網絡能夠對基于“很久之前”曾經看到過并重復出現的“時域特征片段”作出預測上的修正。一個簡單的應用是利用文本里的相距比較遠的“上下文”作更好的文本分析。

LSTM是最新的受到廣泛應用的有監督神經網絡之一。

LSTM基本使用原理

(以下的表述基于Keras里的LSTM layer)

• 一個Episode里的收斂性&Overfitting(Underfitting)可以用Valiation Data Set來檢查。在fit時，指定一個1/3的validation_split。
• 網絡的表達能力（層數&每層節點數）需要和數據量匹配，否則非常容易出現Overfitting。LSTM的“表達能力”非常出眾。同時還要用Dropout來控制LSTM瘋狂的表達能力。

Pseudo Trading

回測中需要有個交易規則。我使用的是相鄰兩個Candle的Close Price，p0, p1，其中p1是預測的未來價格。如果p1>p0，則buy@p0，并且在下一個時刻sell@p1*，其中p1*是真實價格。反之如是。

忽略所有滑點和手續費。

Keras LSTM Layer使用結果

單層LSTM，128個節點，使用MinMaxScaler, Early-exit, Dropout。模型越簡單越好。數據為5分鐘BTC/USD交易歷史數據，提取OHLCV以及ATR等一共9個Features作為LSTM輸入，輸出為價格。注意，Deep Learning （DL）本身是隨機算法，所以即使是in-sample回測，也是有隨機性。但是，In-sample的 Agg. Returns明顯是too good to be true，不可能是真實交易。

從Out-of-Sample結果看，LSTM訓練的模型是有能力beat the market的。在統計套利方面，還是有很強的實用性。LSTM很適合小資金投資者使用，因為成本很低，結果不錯。

為LSTM提供數據時，要考慮Feature的選擇，比如BTC這樣幾乎就是沒有基本面，完全是動量交易驅動，那么選擇的Feature可以很簡單，比如ATR，EMA等等常用的指標都很有效。但是，如果交易 APPL或者GOOG，那就需要其他Reference數據，因為這些大公司的股價對基本面數據是有很強的依賴。

同時，數據的時間尺度也要考慮。5分鐘的波動有可能無法cover taker手續費，所以可以考慮小時級別的交易，或者等待波動大的時候開啟交易。

In-Sample結果

Out-of-Sample結果

只展示兩個時間段作為示范。其中第一個時間段跑了兩次回測，展示出算法的隨機性。使用時需要考慮是否要voting algo的“加持”。

【待續】

總結

以上是生活随笔為你收集整理的价格时序预测-LSTM的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。