基于卷积神经网络的量化交易系统的设计与实现开题报告

全文总字数：6048字

1. 研究目的与意义（文献综述）

目的和意义：

自17世纪股票市场首次在荷兰诞生，股票市场成为了上市公司的股票交易的公共市场。上市公司通过交易他们的股票来收集财务资源。作为回报，股票持有人将从公司获得年度股息或红利，也可以从买卖活动中的价格差异来获利。当今一些受欢迎的股票市场包括纽约证券交易所（nyse），纳斯达克，伦敦证券交易所等。股票市场的性质是非线性的和易变的。针对股票价格的预测，已经有许多传统方法和统计方法。在这些方法中，近些年兴起和流行的预测方法中则增加了人工神经网络（ann）算法。人工神经网络具有很好的学习能力，并能够从非线性数据趋势中概括出问题域，例如股市预测。此外，ann能够识别数据中存在的模式以及输入和输出之间的关系，从而获得比传统方法更好的预测准确性。

而卷积神经网络则是近些年流行的被广泛用于计算机视觉领域的神经网络。典型的神经网络由一个输入层、一个输出层和多个隐藏层构成，其中每一层都包含多个单元。而卷积神经网络在典型的神经网络中加入了卷积层和池化层，并通过优化器反向传播优化网络参数，最终实现网络的训练目的。由于卷积神经网络具有提取输入数据的特征，并且具有特征的平移不变形等特性，它非常适合于图像分类，数据的特征分类等。近些年也有很多研究者将卷积神经网络应用于股价预测中。多数研究者将卷积神经网络应用于预测一种或几种股票或者指数，但由于股市市场易变的特性，这些网络往往不具备良好的泛化性，不能适用于多数股票。而不以预测结果为输出，而以推荐交易操作信号为输出的网络还少有研究。

2. 研究的基本内容与方案

基本内容与目标：

1、采用卷积神经网络实现对交易信号（买入/做空/不交易）的预测，即使用价格历史数据和技巧分析数据作为输入，输出交易信号的类别；

2、设计并实现量化交易系统，其功能包括使用卷积神经网络对市面上所有股票进行分析，获得交易信号数据，并结合用户账户上的可用现金，取风险最优的比例的现金，以最优策略挑选适合交易的股票进行自动交易。

技术方案及措施：

大体上分为三个步骤：

1）准备预处理数据集

使用tensorflow的tfrecords来制作数据集。数据集中的每一个样本包含100天的该股票的开盘价/闭盘价/最高价/最低价/交易量，20天/50天移动平均线，MACD，BollingerBands指标数据作为输入数据，以及30天的该股票的最高价/最低价数据，用于计算网络输出的交易信号对应的盈利值。

2）基于卷积神经网络的交易信号预测算法实现

基于卷积神经网络的交易信号预测算法是在卷积神经网络的基础上，优化输出的交易信号。而卷积神经网络的实现原理是：设计若干个卷积层，卷积层后面跟随池化层，卷积层和池化层后面跟随激活函数RELU来输出数值。经过层层卷积层和池化层，最终计算结果输入到全连接层，经过全连接层的计算，输出到输出层。最后根据损失函数计算结果，反向传播^[14]对网络参数进行梯度下降优化。

损失函数设计：利用交易后的30天数据来计算盈利结果。假设网络输出交易信号结果为，止盈率是（指交易后获益了将会自动平仓进行盈利），止损率是（指交易后亏损了将会自动平仓及时阻止亏损），现金折现率是（将未来的资金按照现金折现率折算为现值），损失厌恶系数，平仓时间为，盈利或亏损，损失函数为，则有：

其中，当为做空或者买入，则的值为盈利或者亏损的值；当为不交易，则的值为0。

3）量化交易系统的实现

以日为单位，获取n支股票最新100天的数据，并输入到卷积神经网络，获得n个交易信号输出结果，去除不交易的结果，剩下的作为交易清单。假设用户账户上的现金为Q，从Q中取出一定的比例s来投资交易清单中的股票。其中比例s的计算方式为凯利公式^[15]：

(2)

其中，是止盈率，是止损率，是卷积神经网络预测的交易的盈利概率。

技术方案实现流程图：

3. 研究计划与安排

(1) 2020/1/14—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2) 2020/3/1—2020/4/30：量化交易系统架构、程序设计与开发、测试与完善；

(3) 2020/5/1—2020/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] h.white, “economic prediction using neural networks: the case of ibm daily stockreturns,” ieee international conference on neural networks, vol. 2, pp.451-458, 1988.

[2] m.majumder, and a. hussian, “forecasting of indian stock market index usingartificial neural network”