LSTM择时+StockRanker选股的可视化策略实现

摘要：本文将为大家构建一个AI驱动的量化投资策略样例，策略用LSTM算法进行择时，StockRanker算法进行选股，并用可视化的方式实现，文末附上策略源码，感兴趣的朋友可以直接前往BigQuant人工智能量化投资平台进行实现。

一、LSTM算法简介

LSTM Networks是递归神经网络（RNNs）的一种，该算法由Sepp Hochreiter和Jurgen Schmidhuber在Neural Computation上首次公布。后经过人们的不断改进，LSTM的内部结构逐渐变得完善起来（图1、图2）。在处理和预测时间序列相关的数据时会比一般的RNNs表现的更好。目前，LSTM Networks已经被广泛应用在机器人控制、文本识别及预测、语音识别、蛋白质同源检测等领域。

$$图1LSTM层结构$$

$$图2典型LSTM层结构$$

这里$ht$ 代表神经元的输出，而$Ct$ 代表神经元的状态。系统的运行分为以下步骤：

A.计算需要被细胞丢弃的信息：

B.计算需要添加到细胞中的信息：

C.更新细胞状态：

D.计算输出信息：

LSTM模型构建：作为循环层的一种神经网络结构，只使用LSTM并不能构建出一个完整的模型，LSTM还需要与其他神经网络层（如Dense层、卷积层等）配合使用。此外，还可以构建多层LSTM层来增加模型的复杂性，学习描述更高层次的时域特征(如图3)。

$$图3LSTM的组合运用$$

二、LSTM在股票预测中的应用

经济学家靠ARMA 模型预测的时间序列模型。该模型对小数据集效果很好，可容纳时间序列的记忆效应，如持久性、均值回归、季节性等。在深入学习中，长短期记忆（Long short-term memory，LSTM）可类比于ARIMA长期短期记忆模型。LSTM 对RNN 进行了结构上的修改，来避免长期依赖问题。LSTM在股票预测中通常分为两类应用：一是直接将LSTM输出结果作为做单信号在个股上进行回测，二是将LSTM的预测结果作为一种择时信号，再配合其他选股模型（如BigQuant平台的StockRanker）进行回测。社区中已经在LSTM Networks应用于股票市场探究一文中提到LSTM更适用于处理个股/指数，将LSTM作为择时模型与其他选股模型配合使用效果较好。

三、策略流程

本文策略在bigquant平台AI可视化模板的基础上建立，使用stockranker作为选股器，针对沪深300指数采用LSTM构建择时模型作为仓位风控控制，流程图见图4。

关于LSTM模型中涉及的参数含义可以参考《[量化学堂-机器学习]基于LSTM的股票价格预测模型》一文中的描述。

• 开始时间：2017-07-01
• 结束时间：2018-04-30
• 选股策略：stockranker
• 优质股数量：10只
• 换仓周期：每日
• 止盈止损：使用沪深300指数LSTM的涨跌预测值进行仓位控制

LSTM的模型参数：

• 每段input预测数据的长度seq_len: 5日数据
• 输入特征：[‘close’,‘open’,‘high’,‘low’,‘amount’,‘volume’]
• 预测集长度：10*seq_len
• 神经网络结构： 1层LSTM层+3层Dense层
• 模型训练：优化器adam，损失函数mse
• 模型输出: 涨跌预测值(正数为持仓信号，负数为空仓信号)

$$图4策略流程图$$

四、回测结果

回测时间是2017年7月以来，总收益接近30%，超过沪深300基准指数近27.5%。从图5可以看出，在2017年12月以及2018年2月中旬在大盘指数下跌期间，策略的净值回撤明显小于沪深300基准指数，这说明LSTM算法的仓位管理起到了作用。策略源代码在附录，欢迎大家克隆研究。

$$图5模型预测结果$$

五、参考文献

1.《LSTM Networks应用于股票市场探究》
2.《LSTM Networks应用于股票市场之Functional Model》
3.《LSTM Networks应用于股票市场之Sequential Model》
4.《[量化学堂-机器学习]基于LSTM的股票价格预测模型》
5.《2018/03/08 中信建投证券：零基础python 代码策略模型实战：——大数据人工智能研究之七》

六、附录

策略完整代码：《可视化策略—LSTM大盘择时+Stockranker选股》

本文由BigQuant人工智能量化投资平台原创推出，版权归BigQuant所有，转载请注明出处。