[论文解读] High-performance stock index trading: making effective use of a deep LSTM neural network

Chariton Chalvatzis, Dimitrios Hristu‐Varsakelis|arXiv (Cornell University)|Feb 7, 2019

Stock Market Forecasting Methods被引用 6

一句话总结

本文提出了一种基于深度LSTM的模型，结合一种新颖的分布感知交易策略，通过利用预测收益在其分布中的百分位位置，实现了优于传统方向性交易的性能。在2010–2018年期间对标普500、道琼斯工业平均指数、纳斯达克和罗素2000指数的测试表明，该方法实现了340–371%的累计收益，显著超过买入持有策略和先前方法，通过优化盈利能力而非预测准确性来实现。

ABSTRACT

We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

研究动机与目标

• 解决在股票指数交易中预测模型与交易策略联合优化的挑战，认识到仅靠预测准确性并不能保证盈利能力。
• 开发一种模型与策略组合，通过利用预测收益分布中的丰富信息，最大化实际交易利润而非最小化预测误差。
• 证明当与非方向性、分布敏感的交易策略配对时，结构简单的深度LSTM模型可产生优于标准方法的风险调整后收益。
• 表明在设计金融应用模型时，超参数选择应以交易策略下的盈利能力为优先，而非预测准确性。

提出的方法

• 该模型使用具有2–3层的深度LSTM网络，输入序列为11–22个过去的交易日，神经元数量为32–128，训练目标为预测主要美国股票指数的次日价格。
• 提出一种新型输入机制，将LSTM单元隐藏状态的完整历史信息整合到输出层，以增强时间信息保留能力。
• 该交易策略不依赖于二元的上涨/下跌信号；相反，它利用预测收益在其经验分布中的百分位数来确定交易入场时机和头寸规模。
• 超参数的调优并非以最小化预测误差为目标，而是以在所提出的交易策略下实现最大盈利能力为目标，体现以利润为中心的优化目标。
• 该模型在2010年10月1日至2018年5月1日期间，于标普500、道琼斯工业平均指数、纳斯达克和罗素2000指数上进行训练与测试，并在台式计算机系统上模拟实时策略执行。
• 该方法计算效率高，每次模型更新和交易执行周期仅需7–30秒，适用于日内或多资产策略。

实验结果

研究问题

• RQ1 是否可以设计一种深度LSTM模型，其目标并非最大预测准确性，而是与定制化交易策略配对后实现最大盈利能力？
• RQ2 利用预测收益的分布——特别是某一预测的百分位位置——是否能带来高于标准方向性交易策略的收益？
• RQ3 在交易策略与模型输出分布相匹配的情况下，是否可以实现相对简单的LSTM架构（经最少超参数调优）优于更复杂的模型？
• RQ4 是否可以通过使用分布感知的交易策略与深度学习模型，实现显著高于买入持有策略的累计收益？

主要发现

• 所提出的模型与交易策略在2010–2018年期间，于标普500实现340%的累计收益，道琼斯工业平均指数为185%，纳斯达克为371%，罗素2000为360%，远超买入持有基准。
• 尽管与其他模型具有相似的预测准确性，该方法在盈利能力上显著更优，表明预测准确性并非交易成功性的充分代理指标。
• 该模型的表现对交易策略的选择极为敏感：当与标准方向性策略配对时，同一LSTM模型表现欠佳，凸显了联合模型-策略设计的重要性。
• 该模型计算效率高，每次循环的训练与推理仅需7–30秒，可在标准台式机上实现，支持实时或日内部署。
• 该方法优于多项近期研究（测试周期更长），并在不同市场指数上表现出稳健性，表明其具有强大的泛化潜力。
• 本研究证明，预测收益的分布——尤其是其相对位置——包含在标准交易框架中被低估的可操作信息。