[论文解读] DeepFolio: Convolutional Neural Networks for Portfolios with Limit Order Book Data

Aiusha Sangadiev, Rodrigo Rivera-Castro+6 more|arXiv (Cornell University)|Aug 27, 2020

Financial Markets and Investment Strategies参考文献 22被引用 4

一句话总结

DeepFolio 提出了一种基于卷积神经网络（CNN）的模型，用于从限价订单簿（LOB）数据中预测价格走势，并利用这些预测结果优化动态投资组合。该模型在基准 FI-2010 LOB 数据集和加密资产数据集上均优于当前最先进的模型（如 DeepLOB），在再平衡投资组合配置中实现了更高的准确率和夏普比率，尤其在数据稀缺条件下以及市场压力时期表现更优。

ABSTRACT

This work proposes DeepFolio, a new model for deep portfolio management based on data from limit order books (LOB). DeepFolio solves problems found in the state-of-the-art for LOB data to predict price movements. Our evaluation consists of two scenarios using a large dataset of millions of time series. The improvements deliver superior results both in cases of abundant as well as scarce data. The experiments show that DeepFolio outperforms the state-of-the-art on the benchmark FI-2010 LOB. Further, we use DeepFolio for optimal portfolio allocation of crypto-assets with rebalancing. For this purpose, we use two loss-functions - Sharpe ratio loss and minimum volatility risk. We show that DeepFolio outperforms widely used portfolio allocation techniques in the literature.

研究动机与目标

• 为解决现有基于 LOB 的价格预测模型的局限性，特别是其对数据稀缺的敏感性以及泛化能力差的问题。
• 开发一种深度学习框架，以有效捕捉 LOB 数据中的时空模式，从而提升价格趋势预测的准确性。
• 通过将预测结果整合到动态再平衡投资策略中，将价格预测转化为可执行的投资管理。
• 在多种市场条件下评估 DeepFolio 的性能，包括高波动性的加密资产市场和危机时期。
• 比较不同损失函数（夏普比率与最小波动率）在使用深度学习进行投资组合优化时的有效性。

提出的方法

• 采用一维卷积神经网络（CNN）架构处理原始限价订单簿数据，提取买卖盘口各价位上的层次化价格与成交量模式。
• 将 LOB 数据处理为表示多个价位上买卖挂单队列的时间序列张量，从而实现对价格走势信号的端到端学习。
• 通过迁移学习策略：先在大规模、高流动性数据集（FI-2010）上进行预训练，再在较小的加密资产数据集上微调，以提升在数据稀缺条件下的泛化能力。
• 通过两种不同的损失函数将价格预测结果整合到投资组合优化中：最大化夏普比率与最小化最小波动率风险。
• 每 50 分钟应用一次再平衡策略，基于预测收益率使用乘法收益率更新规则更新投资组合权重：$ p_t = p_{t-1} \cdot \frac{r_t}{r_{t-1}} \cdot w_{t-1} $。
• 使用交叉熵损失进行价格方向（上涨/下跌）分类训练，并通过风险调整目标对最后几层进行微调，以优化投资组合表现。

实验结果

研究问题

• RQ1 基于深度 CNN 的模型如 DeepFolio 是否能在 LOB 数据价格走势预测中优于现有最先进模型（如 DeepLOB），尤其是在数据稀缺条件下？
• RQ2 在低流动性、高波动性的加密资产市场中，迁移学习在多大程度上能提升 LOB 模型的泛化能力？
• RQ3 将深度学习预测结果整合到使用风险调整损失函数（如夏普比率）的投资组合优化中，是否能带来优于传统方法的组合表现？
• RQ4 在市场压力时期（如新冠疫情危机期间），DeepFolio 的表现如何，相较于基线投资组合策略？
• RQ5 在训练 DeepFolio 的投资组合配置策略时，使用夏普比率损失还是最小波动率损失能获得更好的风险调整后收益？

主要发现

• 在 FI-2010 基准数据集上，DeepFolio 在 1 分钟预测时 horizon 下达到 89.9% 的准确率、93.14% 的精确率、89.9% 的召回率和 90.4% 的 F1 分数，优于 DeepLOB 的 86.69% 准确率与 87.44% 的 F1 分数。
• 在加密资产数据集上，DeepFolio 在 20 分钟预测时 horizon 下将 F1 分数提升了 4.56 个百分点（从 57.6% 提升至 61.57%），表明其在数据稀缺条件下的鲁棒性。
• 迁移学习使 DeepFolio 能够有效泛化：在未见过的加密资产上性能依然强劲，表明其学习的是通用的 LOB 模式而非过拟合。
• 使用夏普比率损失的 DeepFolio 在测试集上实现了最高的夏普比率（0.053069）与平均收益率（0.040126），优于 Markowitz（SR: 0.025998）、1/n（0.040234）以及使用 MV 损失的 DeepFolio（0.041746）。
• 在累积对数收益分析中，使用夏普比率损失的 DeepFolio 在新冠疫情危机期间（自 2020 年 2 月起）表现最强，证实了其在市场压力下的韧性。
• 该模型在所有预测时 horizon（k=1 至 k=20）下均保持强劲表现，相较于基线模型持续提升，尤其在长时 horizon 下的召回率与 F1 分数方面优势明显。