本报告提出LARA框架,通过局部感知注意力机制(LA-Attention)提取潜在盈利样本,并利用迭代细化标签方法(RA-Labeling)适应性修正噪声标签。实验涵盖股票、加密货币及ETF市场,结果显示LARA在精准率、收益率等多指标上显著优于现有机器学习方法,增强了对真实交易机会的捕捉能力 。
研究问题与核心目标:
LARA框架方法论
量化因子与指标定义
度量学习提升邻域注意力效果
实验设置及市场数据
定量实验与性能评估
| 方法 | A股精度(%) | 加密货币精度(%) | 平均收益(AR) |
|---|---|---|---|
| ALSTM | 51.9 | 47.9 | 3.24E-3 (A股) |
| Transformer | 53.2 | 38.7 | 5.73E-3 (A股) |
| LightGBM | 55.0 | 51.0 | 7.26E-3 (A股) |
| SEAL | 56.6 | 53.0 | 5.95E-3 (A股) |
| RA-Labeling | 55.2 | 56.2 | 3.53E-3 (A股) |
| LA-Attention | 56.6 | 51.2 | 5.27E-3 (A股) |
| LARA | 59.1 | 57.8 | 7.79E-3 (A股) |
LA-Attention在训练与测试阶段的作用验证
| 训练阶段 | 测试阶段 | 精准率(%) | 胜率比(WLR) | 平均收益(AR) |
|---|---|---|---|---|
| ✓ | ✓ | 78.58±0.67 | 2.957±0.259 | 0.196±0.003 |
| ✓ | ✗ | 70.16±0.89 | 2.872±0.106 | 0.166±0.002 |
| ✗ | ✓ | 70.39±1.07 | 2.757±0.184 | 0.166±0.002 |
| ✗ | ✗ | 37.82±11.09 | 1.712±0.188 | 0.062±0.037 |
实盘交易频率与收益表现
量化因子构建与策略总结
报告标题:
《Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling》
作者及机构:
梁增(Liang Zeng)、王磊(Lei Wang)、牛辉(Hui Niu)、张茹晨(Ruchen Zhang)、王岭(Ling Wang)、李坚(Jian Li)
机构包括清华大学交叉信息研究院(IIIS)和华泰证券有限公司(Huatai Securities Co., Ltd)
发布时间:
论文提交于2023年,发表于IJCAI-24会议。
研究主题:
针对金融资产价格走势预测,提出一种结合“局部感知注意力机制(Locality-Aware Attention)”和“迭代标签精炼(Iterative Refinement Labeling)”的新型机器学习框架LARA,旨在提升金融时间序列中低信噪比高噪声数据的预测准确性,尤其聚焦于提取潜在的“有利交易样本”,并对其标签进行迭代优化。
核心观点及贡献:
关键论点:
金融市场的价格走势预测极具挑战性,主要由于市场具有高度的随机性和动态性(即价格表现近似随机游走)。有效市场假说(EMH)提示价格变动难以预测,但市场并非完全有效,存在信息不对称及交易者噪声行为,提供了利用机器学习策略“打败市场”的可能。
机遇与难点:
当前机器学习方法通常训练于全量连续时间段数据,然而市场中真正有利的信号稀少且掺杂大量噪声,模型易过拟合噪声,预测效果受限。因此,识别和聚焦在“潜在盈利样本”——即更具预测价值的时点或样本,显得尤为重要。核心技术难点在于如何从极其嘈杂的数据中挖掘出这些样本,同时确保标签的准确性。
挑战一: 如何有效从噪声中提取潜在盈利样本?
解决方案一: 引入局部感知注意力机制(LA-Attention),结合掩码注意力和度量学习技术,通过学习一个合适的“距离度量”,使得在样本特征空间内相近且带标签信息的邻居对该样本的有利标签贡献更大,从而对概率pxt进行估计,筛出高概率样本。
挑战二: 如何针对潜在盈利样本的标签噪声进行自适应修正?
解决方案二: 利用迭代精炼标签方法(RA-Labeling),依据模型预测结果和训练损失动态调整样本标签的置信度,对噪声标签进行平滑和修正,多个预测器融合以增强整体预测鲁棒性。
流程:
优势:
引入度量学习后,LA-Attention可更准确地识别潜在盈利样本,图3的t-SNE示例显示该方法使得样本的正负分布更加分离且令平均回报值明显提升,反映提取样本的质量得到改善。
核心思想:
凭借多轮迭代方式,根据模型当前预测与样本标签间的一致性动态调整标签置信度αjk,并对标签进行移动平均更新,进而抑制噪声对模型训练的扰动。
算法细节:
每轮先使用当前标签训练模型,依据损失判断标签置信度,更新标签为当前标签和模型预测的加权平均,持续迭代K轮。最终方式包括单模型预测(取最后一轮模型)和多模型投票平均两种组合策略。
目的:
该方法专门针对金融市场中标签极易受随机波动影响、相似样本标签相反的情况,力求提升训练数据的标签质量和模型泛化能力。
该图直观展示金融样本在特征空间中的分布和相应回报概率的混合。红点代表潜在盈利的正类样本,蓝三角为非盈利负类样本。顶部分布曲线显示期望回报的概率密度函数,强调盈利样本集中在特征空间两端,符合“行情两头抓”的特征。
这突显了需要针对性筛选的必要,即模型需要聚焦于这部分亏损概率较低且预计正收益的样本。
清晰阐释了LARA框架整体工作流程:先由LA-Attention模块通过度量学习和掩码注意力从整体数据中抽取潜在盈利的样本子集,再由RA-Labeling模块针对这些样本迭代校正标签,最终联合多次训练结果生成鲁棒预测器。
图中不同图形(红点、蓝三角、树估计器、线性网络等)帮助理解整体模型的组件如何协作提高模型质量。
利用t-SNE对ETF数据的1000个样本进行嵌入表示分布。逐步对比:
该图验证了LA-Attention结合度量学习模块的有效性,提升了潜在盈利样本的识别准确度。
本报告聚焦于价格趋势预测模型的设计与实证验证,没有传统公司估值部分。故无具体估值模型、折现率或倍数法分析。
报告明确指出金融价格数据固有的高噪声和低信噪比特性是主要挑战,这使得标签本身常带噪声(甚至相似样本标签相反),进而影响模型泛化能力。为缓解此风险,LARA通过双重机制:
此外,报告未详细展开宏观市场风险、模型过拟合风险以及执行时交易成本等其他外部风险,但通过交易策略设计控制交易频率及持仓,间接控制风险暴露。
偏见与假设:
LARA假定存在一部分潜在盈利样本在特征空间中具有可区分结构且可借助度量学习捕捉,这一前提在某些极端高效市场或极端非平稳环境下可能失效。
模型的局部邻居定义(k近邻或半径邻居)参数的选取影响样本选择效果,报告虽提及参数敏感性在附录中讨论,但主文未详述,可能影响实际部署适用性。
标签精炼方法依赖超参数ϵk调节标签置信度,r<10%表现相对稳定。这一阈值适用范围与泛化能力未知,可能限制实际复杂市场中操作灵活性。
内部矛盾:
表2的四个实验行未包含“训练和测试联合使用”的显式对比组合,需推断训练集和测试集时是否开关LA-Attention时的具体环境设定,尚存小幅理解空间。
本报告系统提出了LARA框架,融合了局部感知注意力机制和迭代标签精炼技术,针对金融市场价格趋势预测中的低信噪比和标签噪声挑战提供了一整套创新解决方案。通过局部邻居加权结合度量学习获得样本正类概率估计,精准筛选潜在盈利样本,再利用迭代自适应标签修正提高训练数据质量,形成双重保障机制,提升整体预测准确度和鲁棒性。
实证部分涵盖中国A股、加密货币和ETF三类不同市场,横向对比多类时间序列模型、经典机器学习方法及多种噪声标签处理算法,LARA均实现显著优异表现。尤其在交易信号精度、平均收益和盈亏比方面均遥遥领先,证明有效捕捉了更可靠的交易机会。
图表解析显示,LA-Attention结合度量学习显著增强了潜在盈利样本的区分度和平均收益水平。迭代标签精炼则有效缓解了样本标签噪声的负面影响,使模型实现更好的泛化效果。消融实验进一步验证需同时在训练和测试阶段使用LA-Attention才能获得最佳性能。
整体而言,报告综合理论与实证,提供可操作性强且效果出色的方法,为金融时间序列价格预测领域提供了有力技术手段,有望推动量化投资与机器学习结合的进展。
本文所有分析严格基于报告中提供内容,引用原文页码如下:
,1,2,3,4,5,6]
Trade When Opportunity Comes Price Movement Forecasting via Locality-Aware Attention and Iterative Refnement Labeling.pdf