嘗試搭建一個簡單的深度神經(jīng)網(wǎng)絡(luò)，以S&P500做標(biāo)的模擬一個基礎(chǔ)的交易策略。我模仿了原視頻up的思路，但是沒有照抄代碼，基本都是我看了視頻之后自己寫下來的。這個up大神的視頻給了我很多啟發(fā)。

策略的基本思路還是找technical indicators作為神經(jīng)網(wǎng)絡(luò)的輸入，來預(yù)測S&P500在下一個交易日是漲還是跌。technical indicators的選取是基于up給的論文https://sci-hub.se/10.1016/j.eswa.2016.01.018。我在里面選了一些，具體如下

一共25個指標(biāo)（實(shí)際上是21個，我把weekday轉(zhuǎn)成了one-hot編碼）。OHLC和Volume就是正常的價量數(shù)據(jù)，帶lag的就是歷史數(shù)據(jù)，例如lag1_open就是前一天的開盤價。RSI指數(shù)在論文中有特定的計算公式，我選擇了7，15，30，60，90天的RSI指數(shù)。weekday指得是當(dāng)天是星期幾。對于每一個交易日，weekday_0到weekday_4這5個指標(biāo)中只有一個是1，而其余4個是0。labels就是如果和昨天相比漲了就是1，沒漲就是0。

1. 庫Packages

前面都是常見的包，我就不贅述了。yfinance是雅虎金融的數(shù)據(jù)接口，我用這個來調(diào)取S&P500的價量數(shù)據(jù)。價量數(shù)據(jù)取的是從一年前到今天的數(shù)據(jù)，數(shù)據(jù)頻率是一天。

2. 因子計算

這是一堆冗雜的數(shù)據(jù)處理，最后計算出來的factors都拼到raw_data的數(shù)據(jù)框里面。

3. 將數(shù)據(jù)框轉(zhuǎn)化為可用作DNN輸入的類型

對上一步計算得到的數(shù)據(jù)框，首先我們需要進(jìn)行一些標(biāo)準(zhǔn)化操作。因?yàn)镾&P500的價格在4000左右，而william R的數(shù)值基本在-1到1之間。數(shù)據(jù)數(shù)量級的巨大差別會造成擬合參數(shù)的數(shù)量級的巨大差別，因此在浮點(diǎn)數(shù)運(yùn)算時會造成比較大的誤差。所以我們需要進(jìn)行變換將數(shù)據(jù)轉(zhuǎn)換成相近的數(shù)量級。

我跟up一樣對價格和成交量取了log。然后對RSI指數(shù)除以100，這一步體現(xiàn)在計算RSI函數(shù)的定義里面。weekday的處理方式就是變成one-hot編碼。最后比較每一天和之后一天的收盤價判斷后一天是漲還是跌，跌是0，漲是1。最終直接對features和labels對應(yīng)的columns取np.array()，我們就獲得了ndarray，離合適的DNN的輸入又近了一步。

4. 定義DNN

我在這個DNN中定義了4個全連接層。然后在前向傳播函數(shù)里面給前3層使用了sigmoid激活函數(shù)，但是輸出層也就是第4層沒有用激活函數(shù)。這是因?yàn)閜ytorch內(nèi)置的交叉熵?fù)p失函數(shù)會先對輸出進(jìn)行一次softmax函數(shù)操作，這一點(diǎn)up在視頻里面也強(qiáng)調(diào)過了。

5. 將ndarray轉(zhuǎn)化為張量并將輸入數(shù)據(jù)分批

這里我定義了一個generator，他的輸入是我們在第3步獲得的ndarray還有我們想一批輸入幾個樣本進(jìn)到DNN里面。每一次調(diào)用這個generator，它會生成一批次的features和labels張量。

在初始化這個generator之后，有兩種使用方法。一是使用next函數(shù)，會自動輸出下一批的張量，知道遍歷訓(xùn)練集；二是使用for循環(huán)，將generator轉(zhuǎn)化為iterator，每一次迭代一批訓(xùn)練機(jī)樣本。后面我們會用第二種方式。

6. 訓(xùn)練模型

我把前2/3的數(shù)據(jù)作為訓(xùn)練集，后1/3部分的數(shù)據(jù)用作測試集基礎(chǔ)學(xué)習(xí)率是0.1，然后隨著學(xué)習(xí)次數(shù)增加，學(xué)習(xí)率會逐漸降低，這里改變學(xué)習(xí)率的函數(shù)參照了up的代碼。在開始迭代之前，一定不要忘記三個要素，模型，損失函數(shù)和優(yōu)化器。

在每一個epoch下面，我們建立generator來把訓(xùn)練集合分批次。然后就是一套范式了，訓(xùn)練集前向傳播-計算損失-梯度清零-計算梯度-優(yōu)化器更新-調(diào)整學(xué)習(xí)率-條件性輸出。

7. 回測

為了得到預(yù)測結(jié)果，我把測試集的features做了前向傳播之后取softmax，這是因?yàn)槲覀兌x的DNN的最后一層是沒有激活函數(shù)的全連接層，所以想要獲得漲跌概率的話，需要對前向傳播的輸出套上softmax函數(shù)。如果預(yù)測結(jié)果是漲的概率或者跌的概率大于90%，那么我們就在當(dāng)天做交易。即如果預(yù)測出來明天漲的概率超過了0.9，我們就在明天開盤買入；如果預(yù)測出來明天跌的概率超過了0.9，我們就在明天開盤做空。為了計算方便，我們假設(shè)每日等額做多或者做空，并當(dāng)日清算，這就形成了一個策略的基本邏輯。這個策略的benchmark是從測試集日期的第一天一開始做多并持有至最后一天。然后我們做一下可視化對比一下我們的策略和benchmark收益率的對比。

在層層理想化的假設(shè)（交易不受限，等額交易，沒有交易成本，不考慮slippage和market effect），策略是能打敗S&P500的。但是up提到的問題很明顯，每次擬合出來的模型帶來的收益率都不一樣，這是因?yàn)槊看文Ｐ统跏蓟臅r候會隨機(jī)生成一組參數(shù)，并以此參數(shù)為起點(diǎn)梯度下降，結(jié)果很可能會下降到局部最小值，所以最終的參數(shù)會有一些差異。