劉力軍 梁國鵬

摘? 要：隨著計算機科學(xué)技術(shù)的快速發(fā)展，人工智能在各個領(lǐng)域的應(yīng)用也越來越廣泛，其與各個學(xué)科技術(shù)相結(jié)合，已成為各領(lǐng)域人士關(guān)注的焦點。將人工智能應(yīng)用于量化交易，通過搭建不同的神經(jīng)網(wǎng)絡(luò)模型，對股票歷史數(shù)據(jù)進行挖掘，找到股票歷史價格與未來價格的非線性關(guān)系，實現(xiàn)對未來價格的預(yù)測，早已成為歷史發(fā)展的必然趨勢。通過對機器學(xué)習(xí)展開研究，基于LSTM神經(jīng)網(wǎng)絡(luò)實現(xiàn)股票預(yù)測模型，為投資者提供參考從而帶來更高的收益。

關(guān)鍵詞：人工智能;神經(jīng)網(wǎng)絡(luò);量化交易

中圖分類號：TP18? ? ? ? ?文獻標識碼：A文章編號：2096-4706（2022）04-0045-03

Design and Implementation of Quantization Trading System Based on

Artificial Intelligence

LIU Lijun， LIANG Guopeng

（Nanjing Audit University Jinshen College， Nanjing? 210023， China）

Abstract： With the rapid development of computer science and technology， the application of artificial intelligence in various fields has become more and more extensive， and its combination with various disciplines and technologies has become a focus of attention of people in various fields. Applying artificial intelligence to quantization trading， through building different neural network models， mining historical stock data， finding the nonlinear relationship between stock historical prices and future prices， and realizing the prediction of stock price have long become an inevitable trend in historical development. This paper conducts research on machine learning and implements a stock prediction model based on LSTM neural network to provide investors with reference to bring higher returns.

Keywords： artificial intelligence; neural network; quantization trading

0? 引? 言

其實傳統(tǒng)交易和量化交易最主要的核心是要有賺錢的本事，量化無非是把這些本事經(jīng)驗總結(jié)出一套規(guī)律，根據(jù)這個規(guī)律寫成代碼讓機器執(zhí)行。量化交易就是根據(jù)對歷史行情的進行回測，總結(jié)出一定的交易規(guī)律，即什么情況下應(yīng)該如何交易，找到適合某只股票的最優(yōu)策略，根據(jù)這種策略或規(guī)律來進行自動化交易獲得更大收益。

隨著計算機技術(shù)的不斷發(fā)展，依托機器學(xué)習(xí)技術(shù)研究股票市場變化規(guī)律方興未艾，借助于線性回歸、支持向量機等機器學(xué)習(xí)算法對股票市場進行分析并建立模型[1]，預(yù)測股票市場未來一段時間的走勢已成為市場的一個趨勢。

1? 人工智能相比于傳統(tǒng)量化投資的優(yōu)勢

傳統(tǒng)的量化交易策略往往通過建立數(shù)學(xué)模型實現(xiàn)，在股票市場中試圖尋找到規(guī)律所在，但市場是千變?nèi)f化的，找到的規(guī)律可能也只是暫時的，通過這樣的方式進行交易，在市場穩(wěn)定的時候會有客觀的收益，市場一旦不穩(wěn)定或有其他的狀況收益就會急劇減少，甚至產(chǎn)生虧損。人工智能更加強調(diào)一個學(xué)習(xí)的過程，通過AI算法，學(xué)習(xí)投資過程中的邏輯，將行業(yè)、市場、歷史數(shù)據(jù)等因素融入投資模型的載體，在此基礎(chǔ)上進行投資組合管理。總的來說，人工智能投資是在人類訓(xùn)練、知識灌輸以及自我演化的過程中，形成機器自己的投資決策。

2? 研究現(xiàn)狀

2.1? 國內(nèi)

國內(nèi)量化交易市場還處于發(fā)展初期的階段，目前期貨市場方面已經(jīng)有了一定的運用和積累，在證券市場的運用還處在剛剛起步的階段。隨著近年來人工智能的深入發(fā)展，機器學(xué)習(xí)技術(shù)在程序化交易中起著越來越重要的作用，它主要著眼于解決線性模型的缺陷和弊端。

2018年，任君等通過對比實驗證明了經(jīng)過改進后的彈性網(wǎng)正則化LSTM模型，對道瓊斯指數(shù)具有更加良好的預(yù)測效果，而且RMES最小，模型精度最好[2]。

2.2? 國外

國外的量化交易發(fā)展比較早，量化投資的技術(shù)從各方面都要遠超于陳舊的投資方式，已經(jīng)達到了可以在秒內(nèi)進行投資交易的程度[3]。在機器學(xué)習(xí)的應(yīng)用方法上，國外的研究以構(gòu)造量化交易投資策略為主，早在20世紀，就有利用機器學(xué)習(xí)對股票進行預(yù)測的嘗試。其技術(shù)儲備量十分充足，所運用的策略模型和研究水平均高于國內(nèi)，此外還不斷有計算機科學(xué)、數(shù)學(xué)等學(xué)科的專家從事量化交易相關(guān)技術(shù)的研究，量化交易技術(shù)的發(fā)展也在不斷地加速。

2016年，狄克遜，迭戈·克拉巴揚和金勛邦等人提出基于深度學(xué)習(xí)的深層神經(jīng)網(wǎng)絡(luò)的金融市場預(yù)測，在5分鐘間隔之內(nèi)對43中不同的商品和外匯期貨的價格進行的簡單交易策略驗證[4]。BF31ABF1-A5C5-4197-9858-2C569ACF40C2

3? 相關(guān)技術(shù)

3.1? 開發(fā)語言

本系統(tǒng)采用Python語言開發(fā)，Python語言具有簡單易上手且功能強大等特點，是當今主流的開發(fā)語言，市場上大多量化交易系統(tǒng)均采用了Python來開發(fā)。本系統(tǒng)所需要的一些工具，也使用了成熟的Python第三方庫，如數(shù)據(jù)處理的numpy、pandas，獲取股票數(shù)據(jù)的tushare，數(shù)據(jù)可視化matplotlib，系統(tǒng)界面開發(fā)的tkinter等。

3.2? 金融知識

量化金融是一個系統(tǒng)性的投資和交易方式，不僅包含編程技術(shù)，還包含金融，數(shù)學(xué)，統(tǒng)計等相關(guān)知識。量化交易是需要了解一定的金融知識才能夠更好地掌握交易投資過程，并且需要了解所投資市場的交易規(guī)則以及一些有效的技巧方法。比如一些財務(wù)數(shù)據(jù)的計算規(guī)則，或者一些金融相關(guān)因子的計算方法等都需要一定的金融知識。

3.3? 技術(shù)指標

技術(shù)指標是通過考慮市場行為的各個方面，建立一個數(shù)學(xué)模型，給出數(shù)學(xué)上的計算公式，得到一個體現(xiàn)股票市場的某個方面內(nèi)在實質(zhì)的數(shù)字[5]，常用的技術(shù)指標包括：移動平均線（MACD）、隨機指標（KDJ）、布林帶（BOLL）等，技術(shù)指標的存在讓我們能夠更清楚地看到市場當前的狀態(tài)，從而更好地做出交易決策，也在一定程度上減小了因為情緒化交易產(chǎn)生的不必要的虧損。

3.4? 機器學(xué)習(xí)

說到機器學(xué)習(xí)也就會想到人工智能和深度學(xué)習(xí)，其實三者是包含關(guān)系，深度學(xué)習(xí)屬于機器學(xué)習(xí)，而機器學(xué)習(xí)又屬于人工智能，由于本文使用的是機器學(xué)習(xí)，所以著重講一下機器學(xué)習(xí)。機器學(xué)習(xí)研究和構(gòu)建的是一種特殊算法，能夠讓計算機自己在給定的輸入數(shù)據(jù)和輸出數(shù)據(jù)中學(xué)習(xí)從而達到預(yù)測未知數(shù)據(jù)的目的。

人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)的子集，神經(jīng)網(wǎng)絡(luò)由節(jié)點層組成，包括輸入層、隱藏層和輸出層，其中隱藏層可以是一層或多層，每一層又由若干個神經(jīng)元組成，前一層的神經(jīng)元與后一層的神經(jīng)元依次連接，從而實現(xiàn)了整個神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)越復(fù)雜，其模型就越可能能夠預(yù)測關(guān)系更為抽象的數(shù)據(jù)。

4? 基于機器學(xué)習(xí)網(wǎng)絡(luò)模型的構(gòu)建

對于機器學(xué)習(xí)網(wǎng)絡(luò)模型的構(gòu)建，其實質(zhì)就是利用已有的海量數(shù)據(jù)訓(xùn)練模型，使模型尋找到輸入數(shù)據(jù)和輸出數(shù)據(jù)所存在的函數(shù)關(guān)系，再根據(jù)兩者時間的非線性關(guān)系，將新的數(shù)據(jù)輸入模型中，模型給出的新的結(jié)果即為模型的預(yù)測結(jié)果。

本模型使用Keras框架構(gòu)建，Keras是一個高度模塊化的神經(jīng)網(wǎng)絡(luò)庫，它開發(fā)重點是支持快速的實驗，讓開發(fā)者能夠以更短的時間把自己的想法轉(zhuǎn)化為實驗結(jié)果，同時也能夠讓初學(xué)者更快地入門。

4.1? 神經(jīng)網(wǎng)絡(luò)模型的選擇

LSTM神經(jīng)網(wǎng)絡(luò)模型是一種特殊的RNN類型，同其他的RNNs相比可以更加方便地學(xué)習(xí)長期依賴關(guān)系，因此有很多人試圖將其應(yīng)用于時間序列的預(yù)測問題上。股價的走勢就是一個時間序列，因此使用LSTM神經(jīng)網(wǎng)絡(luò)模型來預(yù)測股票未來的走勢無疑是一個不錯的選擇?；贚STM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測股票未來價格走勢流程圖，如圖1所示。

4.2? 輸入數(shù)據(jù)的獲取

輸入數(shù)據(jù)的特征會直接影響到模型輸出的結(jié)果，因此如果預(yù)測股票價格未來一段時間的走勢，以影響股票價格最大的四種基礎(chǔ)數(shù)據(jù)作為模型的輸入無疑是一個更好的選擇，如：開盤價、收盤價、最高價和最低價。

本系統(tǒng)使用Python的Tushare模塊來獲取股票數(shù)據(jù)，通過Tushare來獲取平安銀行6年的股票數(shù)據(jù)，具體操作：

import tushare as ts

ts.set_token（‘） #引號內(nèi)填寫在tushare平臺申請的token

pro = ts.pro_api（）

data = pro.daily（ts_code=000001.SZ， start_date=20200101， end_date=20210106）

4.3 處理數(shù)據(jù)

獲取到股票數(shù)據(jù)后要對其進行數(shù)據(jù)預(yù)處理，才能傳給模型進行訓(xùn)練。LSTM神經(jīng)網(wǎng)絡(luò)模型往往以數(shù)據(jù)單元的行數(shù)作為數(shù)據(jù)，這就需要用到滑動窗口技術(shù)，通過滑動窗口從股票價格時間序列數(shù)據(jù)中截取到一個個數(shù)據(jù)單元作為模型的輸入數(shù)據(jù)。本模型將前60個交易日的數(shù)據(jù)作為輸入，第61個交易日的數(shù)據(jù)作為輸出，重要操作已在注釋中標明，具體操作：

def create_dataset（data， time_steps）：

dataX， dataY = []， []

for i in range（len（data） - time_steps）：

a = data[i：（i + time_steps）， 0]

dataX.append（a）

dataY.append（data[i + time_steps， 0]）

return np.array（dataX）， np.array（dataY）

4.4? LSTM神經(jīng)網(wǎng)絡(luò)模型的建立

4.4.1? LSTM神經(jīng)網(wǎng)絡(luò)模型的參數(shù)確定

模型的參數(shù)主要包括神經(jīng)網(wǎng)絡(luò)層數(shù)和神經(jīng)元個數(shù)，兩個參數(shù)的變化都會影響到模型結(jié)果的輸出，所以參數(shù)的確定至關(guān)重要。

對于神經(jīng)網(wǎng)絡(luò)層數(shù)的確定，層數(shù)多時可以提高精度、降低誤差，但隨著層數(shù)的增加，整個神經(jīng)網(wǎng)絡(luò)的復(fù)雜度也會變得更大，訓(xùn)練模型時也會消耗更多的時間，相比于改變神經(jīng)網(wǎng)絡(luò)層數(shù)，改變神經(jīng)元個數(shù)對系統(tǒng)的性能影響較小，所以確定好神經(jīng)網(wǎng)絡(luò)層數(shù)后，適當?shù)母淖兩窠?jīng)元個數(shù)更容易觀察和調(diào)整。

對于神經(jīng)元個數(shù)而言，輸入層神經(jīng)元個數(shù)即為影響股票價格的特征個數(shù)，可根據(jù)自己所研究的特征進行確定;輸出層神經(jīng)元為預(yù)測日的收盤價或當日某時刻的價格，所以輸出神經(jīng)元個數(shù)為1;隱藏層的神經(jīng)元個數(shù)目前沒有統(tǒng)一的方法確定，可以通過時間來調(diào)整個數(shù)，最終確定一個最優(yōu)值。BF31ABF1-A5C5-4197-9858-2C569ACF40C2

4.4.2? LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

本模型使用四層神經(jīng)網(wǎng)絡(luò)，包含兩個隱藏層，第一個隱藏層包含256個神經(jīng)元，第二個隱藏層包含128個神經(jīng)元，具體結(jié)構(gòu)如圖2所示。

4.4.3? LSTM神經(jīng)網(wǎng)絡(luò)模型的實現(xiàn)

模型的結(jié)構(gòu)確定后，還需要確定模型訓(xùn)練時的損失函數(shù)、優(yōu)化器、迭代次數(shù)等參數(shù)，每個參數(shù)的變化都會直接影響到模型預(yù)測的結(jié)果，因此，在模型的實現(xiàn)過程中一般需要經(jīng)過反復(fù)修改測試，才能使模型的預(yù)測結(jié)果達到一個更優(yōu)的水平。本模型使用“mean_squared_error”損失函數(shù)，使用“adam”優(yōu)化器，訓(xùn)練模型迭代100次，每次訓(xùn)練抓取的樣本數(shù)量為64，模型實現(xiàn)的具體操作：

model = Sequential（）

model.add（LSTM（128， input_shape=（time_steps， 1），return_sequences=True））

model.add（LSTM（256，return_sequences=True））

model.add（LSTM（128））

model.add（Dense（1））

model.compile（loss=mean_squared_error， optimizer=adam， metrics=[‘a(chǎn)ccuracy]）

model.summary（）

model.fit（trainX， trainY， epochs=100， batch_size=64， verbose=1）

4.5? 模型測試

模型訓(xùn)練好后要對模型進行測試，驗證模型預(yù)測的準確性，根據(jù)準確性還可以再適當調(diào)整參數(shù)，使模型達到更高的準確性。先將測試集數(shù)據(jù)取出并進行預(yù)處理，再傳給預(yù)測模型，將預(yù)測結(jié)果使用Matplotlib繪制出來，并將真實數(shù)據(jù)繪制到一起，通過對比兩條折線，就可以更直觀地看到預(yù)測的準確性，預(yù)測結(jié)果如圖3所示，其中紅線是預(yù)測值，藍線是真實值。

5? 結(jié)? 論

本文基于keras框架，使用了LSTM神經(jīng)網(wǎng)絡(luò)，通過對歷史數(shù)據(jù)的挖掘處理，訓(xùn)練出預(yù)測股票價格走勢的模型，用戶選擇相應(yīng)的股票和時間，系統(tǒng)將預(yù)測出該時間后的價格走勢，為投資者提供一定的參考和指導(dǎo)，讓投資者產(chǎn)生更高的收益。當然本模型對于股票數(shù)據(jù)和時間選擇上還存在一定的局限性，未來可以進一步豐富專家經(jīng)驗的規(guī)律特征，相信隨著計算機技術(shù)的發(fā)展和金融工程的不斷完善，不久的將來，通過人工智能來預(yù)測股票走勢將成為金融市場的主流。

參考文獻：

[1] 于龍飛.基于深度學(xué)習(xí)的股市量化交易系統(tǒng)設(shè)計與實現(xiàn) [D].濟南：山東大學(xué)，2020.

[2] 任君，王建華，王傳美，等.基于正則化LSTM模型的股票指數(shù)預(yù)測 [J].計算機應(yīng)用與軟件，2018，35（4）：44-48+108.

[3] 郭笑宇.量化投資交易策略研究 [J].財經(jīng)界，2019（3）：16-17.

[4] 趙雪.深度學(xué)習(xí)在量化交易中的應(yīng)用 [D].北京：北方工業(yè)大學(xué)，2019.

[5] 王高鵬.證券投資技術(shù)分析方法應(yīng)用研究 [J].現(xiàn)代商業(yè)，2013（27）：48-49.

作者簡介：劉力軍（1979—），男，漢族，江蘇南京人，講師，碩士，研究方向：網(wǎng)絡(luò)技術(shù);梁國鵬（1999—），男，滿族，河北承德人，在讀本科，研究方向：網(wǎng)絡(luò)工程。BF31ABF1-A5C5-4197-9858-2C569ACF40C2