引入多時間維度特征對市場短期狀態(tài)分類優(yōu)化

1、1. 研究 研究背景借助深度強化學習的方法對 A 股市場 67 個賽道進行輪動跟蹤， 排名靠前的賽道組合相對于全賽道等權配置具有明顯的超額回報，深度強化學習的賽道選擇方法得到了檢驗。研究背景論述和強化學習模型框架的選取詳見報告《 “成績”的賽道 0.1.0 版》本系列報告將運用相同的系統(tǒng)模型對 A 股市場的個股進行優(yōu)選并構建投資組合進行回測， 本文將展示現(xiàn)有模型在多個場景上的短期狀態(tài)預測效果， 并測試引入短期和中長期時間維度的同類

2、型特征對模型的提升效果。1.1. 深度學習模型 習模型在此前的研究報告中我們對比了 GAF-CNN， NT-CNN，LSTM-RNN 三種識別市場狀態(tài)的方法。其中，前兩者相較于 LSTM-RNN 能更好的從價量信息對應的蠟燭圖中提取信息， 對相應的短、 中、 長期漲跌狀態(tài)預測有更高的準確率。 此外，GAF 將 OHLC + Volume 5 個時間序列分別進行轉換變形， 得到比 NT 轉換更加豐富的信息交給卷積神經(jīng)網(wǎng)絡去識別；但另一方

3、面，NT 變化將 5 個價量序列標注在同一張圖中，能提供更多特征間的關系信息。本文以前期報告中預測準確度最高， 表現(xiàn)最優(yōu)的 GAF-CNN 模型作為參照 (以下標注為 Baseline 模型) ，并在原有的網(wǎng)絡結構基礎上進行特征工程優(yōu)化和初步的卷積層優(yōu)化，并通過實驗對比不同模型對個股市場短期狀態(tài)的預測結果。1.2. 預測個股的 股的市場短期狀態(tài) 期狀態(tài)與行業(yè)賽道的狀態(tài)預測相似， 利用個股的價量 （OHLC+Volume） 數(shù)據(jù)構

4、建分類模型，定義市場狀態(tài)作為后續(xù)強化學習模型的輸入。本文沿用了對 A 股市場行業(yè)賽道的市場短期狀態(tài)的定義方法，由相應個股的短、中、長期漲跌狀態(tài)來確定，標記為 [S1, S5, S10]，映射到 8 種不同的市場狀態(tài)， 見表 1， 詳細論述請見前期報告 《 “成績” 的賽道 0.1.0 版》 。表 1：個股漲跌 股漲跌形態(tài)向 態(tài)向量值與 值與其市場狀 市場狀態(tài)對應表 對應表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資料來源：2.2. 擴充不同時 同時間維度的數(shù) 的數(shù)據(jù)特征 特征在構建個股的特征數(shù)據(jù)集時， 對股票價量數(shù)據(jù)的 5 個 10-time step 時間序列（OHLC+Volume）進行 GAF 轉換，得到 2D * 5 的特征向量；或者進行 NT 變換，將價量信息編織在同一張 2D 特征圖中。在現(xiàn)有的股票日級別量價數(shù)據(jù)基礎上，為了讓狀態(tài)

6、分類模型能對價量變化做出更及時的反應，引入更高頻的數(shù)據(jù)，即 60 分鐘線價量信息；同時我們考慮市場變化偏離預期的情況， 即當前需要進行狀態(tài)預測的行情， 與訓練模型所用的上一個季度的歷史行情走勢大相徑庭， 為了讓模型適應更長時間的歷史數(shù)據(jù)中的行情特征， 引入涵蓋更長時間段的低頻數(shù)據(jù)， 即周線價量信息。 對三種時間維度的價量信息再采取相同的方式進行特征提取。詳細的特征提取方式為，對每只股票的每個采樣交易日 d，選取[𝑑 ?

7、9, 𝑑]的 10-time step 的日線 OHLCV 數(shù)據(jù)； 以當日 15： 00 點為時刻 t， 選取[𝑡 ? 9, 𝑡]的 10-time step 的 60min級別的歷史數(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)是在日線價量數(shù)據(jù)基礎上以每 5 日為一個時間間隔進行計算得到。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 的采樣原理資料來源：依據(jù)圖 1 中時間戳對齊的方法，對任意股票樣本的任意交易日，取得相應的歷史數(shù)據(jù)，即 60min 級別、日級別和周級別 OHLCV 序列，再采用 2.1 中所介紹的 GAF/NT 轉換，即可得到相應的特征數(shù)據(jù)。以股票樣本（000498.SZ）為例，選取交易日 2021 年 5 月 21 日，對樣本進行特征提取，其三種時間維度的價量圖和對應的特征轉換結果，由圖