[论文解读] Alpha Discovery Neural Network based on Prior Knowledge

Jie Fang, Shu‐Tao Xia+4 more|arXiv (Cornell University)|Dec 26, 2019

Stock Market Forecasting Methods参考文献 30被引用 6

一句话总结

本文提出Alpha发现神经网络（ADNN），一种领域特定的神经网络，利用量化金融中的先验知识，自动构建多样化且信息丰富的金融技术指标。通过用预训练和模型剪枝替代遗传编程，ADNN在特征质量与真实交易策略表现方面均优于遗传编程，且在多项指标上实现更高效、更多样化的特征生成。

ABSTRACT

Genetic programming (GP) is the state-of-the-art in financial automated feature construction task. It employs reverse polish expression to represent features and then conducts the evolution process. However, with the development of deep learning, more powerful feature extraction tools are available. This paper proposes Alpha Discovery Neural Network (ADNN), a tailored neural network structure which can automatically construct diversified financial technical indicators based on prior knowledge. We mainly made three contributions. First, we use domain knowledge in quantitative trading to design the sampling rules and object function. Second, pre-training and model pruning has been used to replace genetic programming, because it can conduct more efficient evolution process. Third, the feature extractors in ADNN can be replaced by different feature extractors and produce different functions. The experiment results show that ADNN can construct more informative and diversified features than GP, which can effectively enriches the current factor pool. The fully-connected network and recurrent network are better at extracting information from the financial time series than the convolution neural network. In real practice, features constructed by ADNN can always improve multi-factor strategies' revenue, sharpe ratio, and max draw-down, compared with the investment strategies without these factors.

研究动机与目标

• 解决遗传编程在金融特征构建中的局限性，如冗余、共线性特征及高计算成本。
• 开发一种融合经济与金融原理的领域感知神经网络架构，用于特征构建。
• 实现从原始价格与成交量数据中自动化、高效且多样化生成技术指标。
• 在真实交易策略回测中评估ADNN相较于遗传编程的性能表现。
• 探究不同神经网络架构在从金融时间序列中提取有意义特征方面的角色。

提出的方法

• ADNN使用基于量化交易原则的领域特定采样规则与目标函数，引导特征构建过程。
• 该方法将遗传编程的演化过程替换为预训练与模型剪枝，实现更高效的优化。
• 采用可微分的特征提取器（如全连接层、LSTM、LeNet）生成多样化特征，各类提取器分别针对时间或空间模式进行优化。
• 通过k-means聚类分析特征的多样性与共享信息空间，评估各类网络架构的贡献。
• 框架支持多种神经架构的即插即用式集成，以根据数据特征定制特征提取。
• 采用公平合理的特征选择方法，评估最终因子池表现，避免过拟合。

实验结果

研究问题

• RQ1 基于金融领域知识设计的神经网络架构是否能在构建多样化且信息丰富的金融特征方面超越遗传编程？
• RQ2 与演化计算相比，预训练与模型剪枝在效率与特征质量方面表现如何？
• RQ3 哪些神经网络架构（如FCN、LSTM、LeNet）在金融时间序列中对特征多样性和信息丰富度贡献最大？
• RQ4 不同特征提取器在多大程度上降低共线性并提升多因子交易策略的稳健性？
• RQ5 ADNN是否能持续提升关键风险调整后绩效指标（如夏普比率、最大回撤）在真实交易策略中的表现？

主要发现

• ADNN构建的特征比遗传编程更具信息量与多样性，且特征共线性显著降低。
• 基于LSTM的特征提取器表现出最稀疏的分布，表明其在从金融时间序列中提取非线性时间模式方面能力更优。
• 全连接网络与循环网络（LSTM）在从金融数据中提取有意义特征方面优于卷积神经网络。
• LeNet与全连接网络之间的共享信息空间表明，LeNet捕获了后者所提取特征的一部分，暗示其独特贡献有限。
• 复杂神经网络架构表现出更高的多样性与更低的共线性，表明尽管参数量更高，但具备更强的泛化潜力。
• 在真实交易回测中，采用ADNN生成特征的策略在夏普比率、收益与最大回撤方面均持续优于未使用这些特征的基线策略。