[论文解读] Financial Time Series Prediction Using Deep Learning

Ariel Navon, Yosi Keller|arXiv (Cornell University)|Nov 11, 2017

Stock Market Forecasting Methods参考文献 22被引用 3

一句话总结

本文提出了一种端到端的深度学习模型，直接从原始股票和ETF价格数据预测金融时间序列趋势，使用神经网络训练以预测价格变动方向。该模型生成概率预测，以指导考虑佣金的交易策略，在两年的回测中实现了统计上显著的盈利，并在考虑实际交易成本的情况下优于基准表现。

ABSTRACT

In this work we present a data-driven end-to-end Deep Learning approach for time series prediction, applied to financial time series. A Deep Learning scheme is derived to predict the temporal trends of stocks and ETFs in NYSE or NASDAQ. Our approach is based on a neural network (NN) that is applied to raw financial data inputs, and is trained to predict the temporal trends of stocks and ETFs. In order to handle commission-based trading, we derive an investment strategy that utilizes the probabilistic outputs of the NN, and optimizes the average return. The proposed scheme is shown to provide statistically significant accurate predictions of financial market trends, and the investment strategy is shown to be profitable under this challenging setup. The performance compares favorably with contemporary benchmarks along two-years of back-testing.

研究动机与目标

• 开发一种端到端的深度学习框架，仅使用原始价格数据进行金融时间序列预测，避免使用人工特征工程。
• 设计一种基于神经网络置信度评分的概率交易策略，以优化买卖入场和出场时机。
• 在多种资产上，评估所提出系统在现实交易成本下的盈利能力和稳健性。
• 将基于深度学习的策略性能与基准的买入持有策略及其他机器学习方法进行比较。
• 研究在基于深度学习的主动交易背景下，资产波动率与交易表现之间的关系。

提出的方法

• 在原始历史价格序列上直接训练深度神经网络，以预测固定时间范围内未来价格变动的方向（即趋势方向）。
• 模型输出软概率，表示上涨或下跌趋势的可能性，用于评估预测置信度。
• 推导出一种概率交易策略，利用这些置信度评分确定何时建立或退出多头头寸，以最小化误报信号。
• 系统被优化以在现实佣金约束下最大化平均收益，统一应用买入和卖出费用。
• 使用分钟级数据，在两年内对多个标普500成分股（如SPY、AAPL、AMZN、BAC）进行回测。
• 通过累积收益、年化波动率和夏普比率等指标评估性能，并与基准买入持有策略及其他机器学习模型进行比较。

实验结果

研究问题

• RQ1 在仅使用原始价格数据进行训练的深度学习模型，能否实现金融市场价格趋势的统计显著预测？
• RQ2 基于神经网络置信度评分的概率交易策略，在现实交易成本下的表现如何？
• RQ3 在基于深度学习的主动交易背景下，资产波动率与所提出深度学习交易系统盈利能力之间的关系是什么？
• RQ4 在真实交易环境中，所提出的端到端深度学习方法是否优于传统的基准策略（如买入持有）及其他机器学习模型？
• RQ5 交易成本在多大程度上影响主动交易策略的盈利能力和风险调整后收益？

主要发现

• 该深度学习模型仅使用原始价格输入，无需人工特征工程，即实现了对金融市场价格趋势的统计显著预测。
• 所提出的概率交易策略在两年的回测中，即使在考虑现实交易成本的情况下，也对所有测试标的实现了正的累积收益。
• 在0.1%的佣金率下，该策略在亚马逊（AMZN）上实现了152.2%的累积收益，优于基准买入持有策略的86.1%。
• 当交易成本低于0.07%时，所有资产的夏普比率均超过0.5，表明其具有强劲的风险调整后表现。
• 累积收益与资产波动率呈正相关关系，如图10所示的线性回归结果所示。
• 在0.1%佣金率下，该策略在低波动率资产（T、JNJ、KO）上表现不佳，表明高波动率可能更有利于该方法。