138-基于DNN模型的智能选股策略
新版量化开发IDE(AIStudio):
https://bigquant.com/wiki/doc/aistudio-aiide-NzAjgKapzW
新版模版策略:
https://bigquant.com/wiki/doc/demos-ecdRvuM1TU
新版数据平台:
https://bigquant.com/data/home
https://bigquant.com/wiki/doc/dai-PLSbc1SbZX
新版表达式算子:
https://bigquant.com/wiki/doc/dai-sql-Rceb2JQBdS
新版因子平台:
https://bigquant.com/wiki/doc/bigalpha-EOVmVtJMS5
导语
这是本系列专题研究的第六篇:基于DNN模型的深度学习智能选股策略。本文简单介绍了和DNN相关的原理,并举了一个实例,具体展示了如何应用以及应用的结果。
DNN原理介绍
神经元
神经网络的每个单元结构如下:
图1.神经元结构
先计算各项输入的加权和:
然后使用激活函数,将和作为输入计算得到输出结果:
f 即为激活函数.
神经网络中常用到的激活函数如下表所示:
表1.激活函数特点对比
图2. 激活函数图像
DNN
DNN是一个包含输入层,输出层和多个隐藏层的神经网络结构,每一层又包含多个1.1中所述的神经元。其基本结构如下图所示:
图3. DNN网络结构
反向传播
反向传播算法在 【专题研究】基于一维CNN模型的智能选股策略 中也有介绍,一句话简单概括就是: 前向传递输入信号直至输出产生误差,反向传播误差信息更新权重矩阵。
DNN往往含有多个隐藏层,这里我们看一个带隐藏层的神经网络示意图:
图4. 反向传播示意图
反向传播主要由梯度下降+链式求导法则来实现,具体数学公式可以参考:机器学习:一步步教你理解反向传播方法。
实例:DNN模型选股
策略步骤和模型参数
如图所示,DNN模型选股实例中包含下列步骤:
数据获取:A股所有股票,2015-06-01到2015-12-31年数据用作训练,2019-03-01到2019-04-20数据用作测试
特征提取:选择了7个因子进行计算作为特征
建立模型:建立一个简单的两个全连接层两个dropout层的DNN网络
训练和测试:分别用训练集数据和测试集数据对模型进行训练和测试
模型评价:进行策略回测并根据回测结果对模型进行评价
DNN模型参数如下:
输入层:选用了7个因子,窗口大小为1,因此输入层形状为一维,大小为7
全连接层:共有3个全连接层。前两个为隐藏层,输出空间维度分别为256和128,这个数字可以根据需要进行改动,数字越大,模型越复杂。根据表1,这里选择relu激活函数。权重使用glorot_uniform初始化方法,偏置向量使用Zeros初始化方法。最后一个全连接层为输出层,因此选择linear激活函数,输出维度为1,其他设置不变。
dropout层:dropout将在训练过程中每次更新参数时,按一定概率(即rate参数)随机断开输入神经元,用于防止过拟合。这里rate参数设为0.1。
训练次数率 :epochs值为10,共训练10轮,以mse作为评估指标
回测结果
模型回测结果如下所示:
从图中可以看到,相比于基准收益,DNN模型有着非常突出的表现。所以,我们认为将DNN深度神经网络应用于资本市场因子选股是很有前景的。在本次的策略中,我们提取了7个因子,构建了两层的DNN模型,因子的选择提取,模型的深度和具体的模型参数都还有很大的调整空间,欢迎大家继续尝试探索。