量化研究报告：深度学习期货择时模型优化及应用

1001201401601802002202401031051071091111131152020-09-072020-09-212020-10-132020-10-272020-11-102020-11-242020-12-082020-12-222021-01-062021-01-202021-02-032021-02-242021-03-102021-03-242021-04-082021-04-222021-05-112021-05-252021-06-082021-06-232021-07-07中信期货商品指数走势中信期货十年期国债期货指数中信期货沪深300股指期货指数中信期货商品指数 重要提示：本报告难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本报告内容而视相关人员为客户；市场有风险，投资需谨慎。 投资咨询业务资格： 证监许可【2012】669 号 商品量化组 研究员： 蒋可欣 FRM jiangkexin@citicsf。com 从业资格号 F03098078 投资咨询号 Z0018262 中信期货研究|量化研究报告 深度学习期货择时模型优化及应用 摘要： 深度学习近年的迅猛发展不断为金融市场提供优秀模型，相关模型也以其优异的拟合预测能力为金融，商品标的的交易提供交易信号，本篇报告阶段性的剖析 Seq2Seq 以及当下比较火热的 Transformer 模型构建要点，基于以上模型我们对标的的价格进行单步以及多步预测。基于预测结果我们应用简单的交易逻辑进行回测其中，螺纹钢，Brent 原油以及 PTA 表现相对较好，达到年化收益率 30%以上。但后期交易算法需进行额外优化。 本篇报告主要分为四大板块: 1). 报告将先对 Seq2Seq 模型，注意力机制以及 Transformer 模型进行细致拆解，讲述算法和模型背后原理。 2). 继续上篇报告深度学习模型对限价订单簿的择时策略的优化:优化过后，Seq2Seq模型以及基于注意力机制的模型不仅对下期 mid-price(weighted average bid-ask price) 的预测准确率达到 80%，同时对滞后多期价格预测均能起到较好的预测结果。 3). 相较于限价订单簿数据的可得性， 我们将 Transformer 模型应用到部分期货品种的价格预测中， 模型经过近 100 轮训练基本都可以达到较好的拟合效果。在螺纹钢，Brent 原油，等产品中得到较好的拟合值，其中螺纹钢未来 20 交易日的价格曲线拟合真实价格线的相关性达到 90%。 4). 基于上述模型所得到的预测结果，我们将预测得到的价格数据进行简单的交易逻辑回测。其中螺纹钢，PTA 年化收益率均超过 30%。 风险提示:1)模型参数失效， 2)模型过拟合。 订单簿一定程度上，既能反映市场的微观结构，又能为投资者对未来价格变动预测提供信息基础，本篇报告在基于上篇报告 CNN+LSTM 模型，进一步应用 Seq2Seq 以及 Transformer 模型对标的数据进行单步以及多步预测。平均未来 20-30 交易日拟合准确率维持在 80%左右。鉴于订单簿数据的可得性，报告后期选取国内外典型期货品种， 并应用其行情数据进行择时预测，价格预测在螺纹钢，brent 原油等产上品拟合较好。 报告要点 量化研究报告 2 / 17 目 录 摘要： .......................................................................................................................................................................................................... 1 一、Seq2Seq 模型及 Attention 机制 .............................................................................................................................................. 3 (一)模型组成 .................................................................................................................................................................................. 3 (二)Encoder-Decoder 模型 ....................................................................................................................................................... 3 (三) Attention 机制 ................................................................................................................................................................... 4 (四) Seq2Seq 模型下订单簿择时模型表现汇总 .............................................................................................................. 4 (五) Seq2Seq-Attention 模型下表现汇总 ......................................................................................................................... 6 二、Transformer 模型拆解及构建要点 ......................................................................................................................................... 7 (一) Transformer 模型组件解读 .........................................................................................