基于异构持续图神经网络的期货量化投资
机器学习
2023-12-20 v2 统计金融
应用统计
摘要
本研究旨在通过提出一种基于图神经网络的持续学习因子预测器，解决高频交易（HFT）中期货价格预测的难题。该模型将多因子定价理论与实时市场动态相融合，有效规避了现有方法缺乏金融理论指导且忽略各类趋势信号及其相互作用的局限。我们提出了三个异构任务，包括价格移动平均回归、价格缺口回归与变点检测，以追踪数据中存在的短、中、长期趋势因子。此外，本研究还考虑了期货合约的截面相关特征，不同期货的价格往往表现出强烈的动态相关性。每个变量（期货合约）不仅依赖于其历史值（时间维度），也依赖于其他变量的观测（截面维度）。为更准确地捕捉这些动态关系，我们借助时空图神经网络（STGNN）来增强模型的预测能力。模型采用持续学习策略同时考虑这些任务（因子）。另外，由于任务的异构性，我们提出利用原始观测与提取特征之间的互信息计算参数重要性，以缓解灾难性遗忘（CF）问题。在中国期货市场对49个商品期货的实证检验表明，所提模型在预测精度上优于其他最先进的模型。本研究不仅推动了金融理论与深度学习的融合，也为实际交易决策提供了科学依据。
引用
@article{arxiv.2303.16532,
title = {Futures Quantitative Investment with Heterogeneous Continual Graph Neural Network},
author = {Min Hu and Zhizhong Tan and Bin Liu and Guosheng Yin},
journal= {arXiv preprint arXiv:2303.16532},
year = {2023}
}