基于深度学习的沪深300股指期货高频交易预测与量化交易研究：一种将小波与双向LSTM结合的新预测方法

摘要

沪深300股指期货是中国推出的第一支股指期货，成为投资者进行投机、套利和套要金融工具之一。近年来，随着技术的发展，高频程序交易逐渐兴起，通过大量高频的交易，即使很小的价差也能为投资者带来高额的收益。因此，高频金融时间序列的预测研究对于投资者而言具有重要的意义。　　然而，由于高频时间序列的非稳定、非线性、长记忆性、高噪声等特性，传统的计量模型往往达不到理想的预测效果。神经网络模型在处理非线性系统问题上取得了不错的效果，并被广泛应用于金融时间序列的预测当中。但是浅层的BP神经网络训练速度慢，而且训练过程中容易发生梯度消失导致陷入局部最优。2006年Hinton提出的深度学习神经网络有效地解决了这一难题，其中循环神经网络RNN和长短时记忆模型LSTM是研究中被运用得较多的模型，他们都对时间序列有记忆能力，而LSTM在RNN的基础上做了改进，能够对较长的时间序列进行记忆，并克服了RNN反向传播过程中容易发生梯度消失或梯度弥散的问题。双向网络可以从正反两个方向提取序列特征，与单向网络相比能更大程度上利用数据信息，近年来也开始受到学者们的关注，被用于金融序列的预测当中，并取得不错的预测效果。　　小波分析拥有很强的局部化能力，非常适合处理非平稳序列。通过小波对序列进行分解，对分解之后的高频部分进行降噪处理，最后进行小波逆变换得到不含噪声的序列，这是小波降噪的基本思想。高频数据与低频数据相比包含更多噪声，且抽样频率越高噪声越高，因此，在分析高频数据之前必须处理噪声。现有的文献表明，将小波降噪应用于高频数据处理能取得不错的效果。　　本文以沪深300股指期货5分钟高频数据为研究对象，针对高频序列的特性，本文构建了基于小波的双向LSTM模型来预测下一时刻股指期货的日内收益率，并基于模型的预测结果构建了一个买涨卖跌的交易策略，考察在低中高三档交易费率的市场环境下模型的回测表现。本文设置了两组实验模型，第一组是传统的人工神经网络ANN模型、LSTM模型以及两者的混合模型——LSTM-ANN模型，第二组是第一组模型在小波的基础上构建的DB混合模型。研究结果表明第二组中的混合模型预测能力相较于第一组中的模型均得到显著提升，而第一组中双向LSTM模型预测能力优于其他模型，第二组中小波双向LSTM模型预测能力优于其他模型。量化交易的回测结果显示DB-双向LSTM模型和DB-LSTM模型在中低交易费率下能取得高于指数的超额收益率。通过对实验结果的对比分析，主要可以得到三个结论：（1）股指期货市场收益率能够被模型较为精确地预测，从这一点上看股指期货市场并不完全支持有效市场假说，而倾向于行为金融理论；（2）结合小波降噪的双向LSTM模型预测能力优于单向LSTM模型和人工神经网络模型，在学术研究和量化交易应用中都具有一定的价值；（3）在实际交易中，小波深度学习模型更适用于交易成本不高且价格波动较大的市场环境，而小波人工神经网络模型更适用于高交易成本或价格波动较小的市场环境。

目录

声明

1. 绪 论

1.1 研究背景及意义

1.2 文献综述

1.2.1 金融市场文献综述

1.2.2 金融时间序列预测文献综述

1.2.3 小结

1.3 研究方案

1.4 文章创新点

2. 理论基础

2.1 金融市场相关理论

2.1.1 有效市场假说

2.1.2 行为金融学

2.1.3 高频金融时间序列

2.2 模型构建相关理论

2.2.1 人工神经网络

2.2.2 RNN模型

2.2.3 LSTM模型与双向LSTM模型

2.2.4 小波分析基本理论

3. 高频数据与模型构建

3.1 高频数据与变量选取

3.1.1 数据抽样频率

3.1.2 实验数据概述

3.1.3 变量描述

3.2数据预处理

3.2.1 数据清洗与归一化

3.2.2数据降噪

3.3量化模型结构设计

3.3.1 双向LSTM 模型

3.3.2 基准模型

3.4 量化模型评价指标

3.5 量化交易

3.5.1 交易逻辑与框架

3.5.2 市场交易成本

3.5.3 回测指标

4. 模型结果与分析

4.1 模型关键参数

4.1.1 最优窗口期

4.1.2 迭代次数

4.2 模型结果分析

4.3 量化回测结果分析

4.3.1 风险收益分析

4.3.2 累计净值分析

5. 总结与展望

5.1 结论

5.2 政策建议

5.3 不足之处

5.4 未来展望

参考文献

致 谢