深度股票表示学习：从K线图到投资决策
计算金融
2018-02-20 v3
摘要
我们提出了一种基于深度学习的新型投资决策策略(IDS)。许多IDS的性能受股票相似性的影响。大多数现有的股票相似性度量存在以下问题：(a) 许多度量的线性性质无法捕捉非线性股票动态；(b) 许多相似性度量（如协方差）的估计需要非常长时间的历史数据（如3000天），这不能有效代表当前市场；(c) 它们无法捕捉平移不变性。为了解决这些问题，我们应用卷积自编码器学习股票表示，并在此基础上提出了一种新的投资组合构建策略：(i) 使用深度学习的表示和模块度优化对股票进行聚类并识别多样化板块，(ii) 根据夏普比率(Sharpe 1994)在每个聚类内挑选股票。总体而言，该策略提供了低风险高回报的投资组合。我们使用富时100指数(FTSE 100)数据进行评估。结果表明，在2000个交易日内，我们的投资组合在总回报方面优于FTSE 100指数和许多知名基金。
引用
@article{arxiv.1709.03803,
title = {Deep Stock Representation Learning: From Candlestick Charts to Investment Decisions},
author = {Guosheng Hu and Yuxin Hu and Kai Yang and Zehao Yu and Flood Sung and Zhihong Zhang and Fei Xie and Jianguo Liu and Neil Robertson and Timothy Hospedales and Qiangwei Miemie},
journal= {arXiv preprint arXiv:1709.03803},
year = {2018}
}
备注
Accepted to International Conference on Acoustics, Speech and Signal Processing (ICASSP) 2018