寫在前面

本文對《Machine Learning for Algorithmic Trading》一書第20章進(jìn)行了梳理及代碼復(fù)現(xiàn)。這個系列會分為上、下撰寫，此篇為上，主要進(jìn)行理論介紹，下篇則主要進(jìn)行代碼復(fù)現(xiàn)的演示。
Chapter20主要介紹了自編碼器及其在交易中的應(yīng)用。自編碼器是一種神經(jīng)網(wǎng)絡(luò)，經(jīng)過訓(xùn)練，它可以在學(xué)習(xí)新的數(shù)據(jù)表示的同時再現(xiàn)輸入（input），并通過隱藏層的參數(shù)進(jìn)行編碼。自編碼器長期以來一直被用于非線性降維和流形學(xué)習(xí)。本文將重點介紹自編碼器如何通過構(gòu)建一個深度神經(jīng)網(wǎng)絡(luò)來支持交易策略。

目錄

第一部分

一、用于非線性特征提取的自編碼器
二、代碼復(fù)現(xiàn):廣義主成分分析和非線性降維
三、代碼復(fù)現(xiàn):卷積自編碼器對圖像進(jìn)行壓縮和去噪

第二部分 用于回報預(yù)測和交易的條件自編碼器

第一步：創(chuàng)建包含股價和元數(shù)據(jù)信息的新數(shù)據(jù)集
第二步：計算預(yù)測資產(chǎn)特征
第三步：創(chuàng)建和訓(xùn)練條件式自編碼器架構(gòu)
第四步：評估結(jié)果

一、用于非線性特征提取的自編碼器

通過之前的學(xué)習(xí)我們了解了神經(jīng)網(wǎng)絡(luò)如何通過提取對給定任務(wù)有用的特征來實現(xiàn)監(jiān)督學(xué)習(xí)。如：卷積神經(jīng)網(wǎng)絡(luò)從類似網(wǎng)格的數(shù)據(jù)中逐漸學(xué)習(xí)并合成復(fù)雜的模式，比如識別檢測圖像中的目標(biāo)，或?qū)r間序列進(jìn)行分類。然而，自動編碼器是一種專門用來學(xué)習(xí)一種新的表示方式的神經(jīng)網(wǎng)絡(luò)，這種方式對輸入信息進(jìn)行編碼，來幫助解決另一項任務(wù)。由于自動編碼器通常使用相同的數(shù)據(jù)作為輸入和輸出，也被認(rèn)為是一個自我監(jiān)督學(xué)習(xí)的實例。

二、代碼復(fù)現(xiàn):廣義主成分分析與非線性降維

降維是較為傳統(tǒng)的自編碼器的應(yīng)用，過程是通過限制隱藏層的大小從而進(jìn)行有損壓縮。這種自編碼器被稱為不完整自編碼器，它通過最小化損失函數(shù)來學(xué)習(xí)數(shù)據(jù)的相對顯著特性。自動編碼器還可以使用前饋、卷積結(jié)構(gòu)來學(xué)習(xí)分層特征表示。

后續(xù)文章會演示使用TensorFlow實現(xiàn)幾個自動編碼器模型，包括深度前饋網(wǎng)絡(luò)和稀疏約束自編碼器，標(biāo)題會標(biāo)注為代碼復(fù)現(xiàn)（1）。

三、代碼復(fù)現(xiàn):卷積自編碼器對圖像進(jìn)行壓縮和去噪

自編碼器可以使用卷積層來學(xué)習(xí)分層特征表示。卷積自編碼器利用卷積和參數(shù)共享來學(xué)習(xí)層次模式和特性，而不管它們的位置或大小變化。

后續(xù)文章會演示如何通過卷積和去噪自編碼器來恢復(fù)損壞的輸入圖像，標(biāo)題標(biāo)注為代碼復(fù)現(xiàn)（2）。

第二部分：用于回報預(yù)測和交易的條件自動編碼器

Gu、Kelly和Xiu最近的研究開發(fā)了一個基于證券風(fēng)險因子暴露的資產(chǎn)定價模型。它基于本書前面提到的數(shù)據(jù)驅(qū)動風(fēng)險因子這個概念。此書作者表明：因子模型用來捕捉“異常”的系統(tǒng)驅(qū)動因子的資產(chǎn)特征，它代表了無法直接測量的風(fēng)險因子的時變暴露程度。在這種情況下，“異常”是指回報率超過由市場總風(fēng)險敞口所解釋的回報率。

第一步：創(chuàng)建包含股價和元數(shù)據(jù)信息的新數(shù)據(jù)集
第二步：計算預(yù)測資產(chǎn)特征
第三步：創(chuàng)建和訓(xùn)練條件式自動編碼器架構(gòu)
第四步：評估結(jié)果

以上步驟會在后續(xù)文章中進(jìn)行代碼演示，標(biāo)題標(biāo)注為（3）。

總結(jié)

以上是生活随笔為你收集整理的MLAT-Autoencoders for Conditional Risk Factors and Asset Pricing---上篇的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。