CN116894731A - 基于改进detr模型的全自动量化交易方法及设备 - Google Patents
基于改进detr模型的全自动量化交易方法及设备 Download PDFInfo
- Publication number
- CN116894731A CN116894731A CN202310850287.6A CN202310850287A CN116894731A CN 116894731 A CN116894731 A CN 116894731A CN 202310850287 A CN202310850287 A CN 202310850287A CN 116894731 A CN116894731 A CN 116894731A
- Authority
- CN
- China
- Prior art keywords
- transaction
- stock
- model
- vector
- time sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 63
- 230000007246 mechanism Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008901 benefit Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012954 risk control Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000010365 information processing Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/06—Asset management; Financial planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Technology Law (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请实施例提供了基于改进DETR模型的全自动量化交易方法及设备,包括:S10,采集历史金融时序数据,以及金融文本数据;S20,对历史金融时序数据和金融文本数据进行预处理,并对预处理后的历史金融时序数据和金融文本数据进行存储;S30,基于改进的DETR模型构建股票预测模型;S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;S50,基于所述训练好的股票预测模型对待预测股票进行预测,得到待预测股票未来某一天的收盘价格、波动率和交易量;具有提高预测精度的有益效果,适用于金融交易的技术领域。
Description
技术领域
本申请涉及金融交易的技术领域,具体涉及基于改进DETR模型的全自动量化交易方法及设备。
背景技术
随着科技的飞速发展以及金融市场的不断复杂化,量化交易已成为金融市场的重要组成部分,该领域的技术通过利用合理的数学模型和计算机技术,实现了交易决策的自动化,从而提升交易的效率与成功率。然而,现有的量化交易系统在处理多模态数据,精准预测金融市场关键参数,以及根据不同风险承受能力的投资者制定策略等方面仍存在不足。
发明内容
为了解决上述技术缺陷之一,本申请实施例中提供了预测精度较高的基于改进DETR模型的全自动量化交易方法及设备。
根据本申请实施例的第一个方面,提供了基于改进DETR模型的全自动量化交易方法,包括:
S10,采集历史金融时序数据,以及金融文本数据;
S20,对历史金融时序数据和金融文本数据进行预处理,并对预处理后的历史金融时序数据和金融文本数据进行存储;
S30,基于改进的DETR模型构建股票预测模型;
S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;
S50,基于所述训练好的股票预测模型对待预测股票进行预测,得到待预测股票未来某一天的收盘价格、波动率和交易量。
优选地,还包括:
S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息。
优选地,还包括:
S70,根据交易决策信息,生成交易指令,以使交易机构执行交易指令;
所述交易指令包括:买入或卖出指令信息、交易资产代码指令信息、数量指令信息和价格指令信息;
S80,接收交易机构返回的交易指令执行结果,当交易指令执行结果为异常时,进行异常信息处理。
优选地,所述S80,还包括:
当交易指令执行结果为正常时,根据交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能。
优选地,所述股票预测模型,包括:卷积神经网络、交叉注意力机制、注意力门和Transformer模块;
所述S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;包括:
S401,将历史金融时序数据转换为多元时间序列向量;
S402,通过卷积神经网络提取多元时间序列向量中的局部特征和短期特征;
S403,将金融文本数据生成词嵌入向量;
S404,通过交叉注意力机制对词嵌入向量进行处理,得到词向量特征;
S405,将卷积神经网络输出的多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征输入至注意力门,得到注意力权重向量;
S406,Transformer模块根据注意力权重向量、多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征,输出预测的收盘价格向量、波动率向量和交易量向量;
S407,根据预测的收盘价格向量、波动率向量和交易量向量与实际的收盘价格向量、波动率向量和交易量向量进行比较,根据比较结果对所述股票预测模型进行训练,得到训练好的股票预测模型。
优选地,所述S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息;包括:
S601,接收待预测股票未来某一天的收盘价格、波动率和交易量;
S602,计算归一化交易量Vnorm,计算式为:
其中,Vmax和Vmin是待预测股票一个计算周期内的交易量中的最大值和最小值,V是股票预测模型预测出的交易量;
S603,根据预测出的波动率R、收盘价p、归一化交易量Vnorm、以及交易者类型T和可调参数c,输出初始交易策略;
具体包括:
S603-1,当R>15%,对于保守型交易者T=1,则:B=0;
对于普通型交易者T=1,则:
对于激进型交易者(T=3),则:
S603-2,当R≤15%,则:
其中,B为买入/卖出百分比;B为正值,则表示买入,B为负值,则表示卖出情形。
优选地,所述可调参数c的取值范围为:[-3,3]。
优选地,所述S80,交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能中,所述收益率计算,包括:
S801,设置初始投资额;
S802,根据交易指令执行结果,计算每次交易后的总投资收益;
S803,根据总投资收益和初始投资额,计算收益率;
所述收益率分析,包括:
S804,计算交易成本;
S805,将总收益率和预设基准进行比较,得到收益率表现值;
S806,通过改变初始交易策略的参数值,得到收益率敏感值。
提供了根据本申请实施例的第二个方面,提供了一种电子设备,包括:
存储器;处理器;以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上所述的方法。
根据本申请实施例的第三个方面,提供了一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如上所述的方法。
本申请实施例由于采用以上技术方案,具有以下技术效果:
1、本申请提出了基于改进DETR模型的全自动量化交易方法及设备,构建了基于改进的DETR模型的股票预测模型,并通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;在对待预测股票进行预测时,通过训练好的股票预测模型,得到待预测股票未来某一天的收盘价格、波动率和交易量;本申请,通过改进的DETR模型作为股票预测模型,并将历史金融时序数据和金融文本数据作为输入,实现了股票三个重要数据,即:收盘价格、波动率和交易量的预测,预测精度高,实用性极强。
2、本申请中,基于改进的DETR模型的股票预测模型包括:卷积神经网络、交叉注意力机制、注意力门和Transformer模块,与传统的DETR模型相比,保留了DETR网络中的卷积神经网络、Transformer结构以及多头预测功能,增加了注意力门,使得能够根据历史金融时序数据和金融文本数据在某个时间点的重要性,进行权重的划分,提高了数据预测的精准度。
3、本申请中可以根据三种不同风险承受能力的投资者(保守型、普通型及激进型)制定交易策略,根据预测结果,充分考虑投资者的特点,制定出合理的交易决策信息。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的基于改进DETR模型的全自动量化交易方法的示意图;
图2为本申请实施例中股票预测模型的结构示意图;
图3为本申请实施例提供的基于改进DETR模型的全自动量化交易方法中S40的流程示意图;
图4为本申请实施例提供的基于改进DETR模型的全自动量化交易方法中S60的流程示意图;
图5为本申请实施例提供的基于改进DETR模型的全自动量化交易方法中S80的流程示意图。
具体实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
Transformer是自然语言处理中的一种性能较强的网络,Transformer网络中的自注意力机制可以有效解决注意力分散问题,可以将其用在目标任务检测中,这种网络被称为Detection Transformer(DETR)。
DETR网络由于不需要先选框后识别,解除了检测结果与锚框的相关性,降低了算法复杂度;本申请利用DETR网络,对历史金融时序数据和金融文本数据进行特征提取,提高了预测精度。
实施例一
如图1所示,本申请实施例的基于改进DETR模型的全自动量化交易方法,包括:
S10,采集历史金融时序数据,以及金融文本数据;
S20,对历史金融时序数据和金融文本数据进行预处理,并对预处理后的历史金融时序数据和金融文本数据进行存储;
S30,基于改进的DETR模型构建股票预测模型;
S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;
S50,基于所述训练好的股票预测模型对待预测股票进行预测,得到待预测股票未来某一天的收盘价格、波动率和交易量。
本实施例中,所述历史金融时序数据包括但不限于股票的历史价格(包括最高价、最低价、收盘价、开盘价)、交易量、换手率等时间序列数据,所述金融文本数据包括:与该股票相关的新闻、年报、季报、月报等。
具体地,所述的历史金融时序数据,以及金融文本数据可以通过API接口、网络爬虫等方式获取;在采集到历史金融时序数据以及金融文本数据后,进行预处理,可包括:数据清洗(剔除无效和错误的数据)、数据转换(将数据转换为适合机器学习模型处理的格式)以及数据存储(将处理后的数据存储在数据库或文件系统中以供后续使用)。
如图2、图3所示,所述股票预测模型,包括:卷积神经网络、交叉注意力机制、注意力门和Transformer模块;
所述S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;包括:
S401,将历史金融时序数据转换为多元时间序列向量;
S402,通过卷积神经网络提取多元时间序列向量中的局部特征和短期特征;
S403,将金融文本数据生成词嵌入向量;
S404,通过交叉注意力机制对词嵌入向量进行处理,得到词向量特征;
S405,将卷积神经网络输出的多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征输入至注意力门,得到注意力权重向量;
S406,Transformer模块根据注意力权重向量、多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征,输出预测的收盘价格向量、波动率向量和交易量向量;
S407,根据预测的收盘价格向量、波动率向量和交易量向量与实际的收盘价格向量、波动率向量和交易量向量进行比较,根据比较结果对所述股票预测模型进行训练,得到训练好的股票预测模型。
具体地,可通过Word2Vec将将金融文本数据生成词嵌入向量。
本实施例中,所述的注意力门可以让模型根据不同类型数据的特性,自动调整它们在后续处理中的重要性。例如,在某个时间点,市场的动态主要由新闻报道和社交媒体评论驱动,那么模型可能会给这部分数据更高的权重;而在其他时间点,如果市场的动态主要由历史价格数据驱动,那么模型可能会给多元时间序列数据更高的权重。注意力门与Transformer模块连接,Transformer模块的三头全连接网络分别输出未来一天的收盘价、波动率和交易量;一般地,收盘价、波动率和交易量为向量形式,可以对其进行去差分后,得到未来一天的收盘价、波动率和交易量。
本实施例中,改进DETR模型与传统的DETR模型相比,不同点包括:
1、多元时间序列数据和文本数据分别从两个部位输至网络;
2、采用交叉注意力机制对文本数据(词嵌入向量)进行处理,其可以由设置者自动设置某类文本的权重(例如近期新闻更重要或者季报更重要);
3、用注意力门进一步对时间序列数据或者文本数据的权重进行调整。
实施例二
在实施例一的基础上,基于改进DETR模型的全自动量化交易方法,还包括:S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息。
S70,根据交易决策信息,生成交易指令,以使交易机构执行交易指令;
所述交易指令包括:买入或卖出指令信息、交易资产代码指令信息、数量指令信息和价格指令信息;
S80,接收交易机构返回的交易指令执行结果,当交易指令执行结果为异常时,进行异常信息处理;
当交易指令执行结果为正常时,根据交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能。
本实施例中,能够根据股票预测模型的输出结果(价格预测、波动率预测、交易量预测)以及预设的交易规则和风险控制策略,生成交易决策信息,能够充分考虑三种不同风险类型承受交易者的承受风险能力,从预测出的收盘价,波动率和交易量,制定出合理的交易决策信息。
具体地,如图4所示,所述S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息;包括:
S601,接收待预测股票未来某一天的收盘价格、波动率和交易量;
S602,计算归一化交易量Vnorm,计算式为:
其中,Vmax和Vmin是待预测股票一个计算周期内的交易量中的最大值和最小值,V是股票预测模型预测出的交易量;
S603,根据波动率R、收盘价p、归一化交易量Vnorm、交易者类型T和可调参数c,输出初始交易策略;其中,所述波动率R的定义为交易股票(最高价-最低价)/开盘价。
具体包括:
S603-1,当R>15%,对于保守型交易者T=1,则:B=0;
对于普通型交易者T=1,则:
对于激进型交易者(T=3),则:
S603-2,当R≤15%,则:
其中,B为买入/卖出百分比;B为正值,则表示买入,B为负值,则表示卖出情形。
所述可调参数c的取值范围为:[-3,3]。
本实施例中,所述的初始交易策略反映的情况为:
风险大时,此时对应股票波动率R>15%,保守型交易者不做交易,而普通型交易者进行少量交易,激进型交易者进行大量交易;
风险不那么大时,此时对应股票波动率R≤15%,三类交易者均可进行交易,其交易量按照三类交易者能承担的风险程度依次增多。
本实施例中,可调参数c的设置,使得能够灵活的迎合交易者意愿和市场变化需求;一般地,可调参数c可默认为1,也可以按照实际情况在[-3,3]这个区间内自由设定;设定时,必须保证1+c/T×Vnorm>0,以及所有情况下的|B|≤100%;这两个设定,前者是为了使不会出现预测的p为正(上涨)而卖出,或p为负(下跌)而买入的情况,后者确保了买入的资金数量不会超过可用资金的数量以及卖出的股票数量不会超过持股数量。
本实施例中,所述对于非整数手买入卖出的情况,均可按四舍五入进行买入卖出操作。
具体地,根据交易决策信息,生成交易指令,以使交易机构执行交易指令;接收交易机构返回的交易指令执行结果;在具体实施例时,可为:
将交易决策信息以交易指令的形式自动发送到交易机构进行执行。如:可通过API接口与交易机构进行通信,发送交易指令;
进一步地,当交易指令执行结果为异常时,进行异常信息处理;在具体实施例时,可为:
一般地,交易指令发送后,会等待交易机构的回复,以确认交易是否成功执行。如果交易成功,该模块会将交易结果发送到性能评估模块进行评估;如果交易失败,则会根据错误信息进行相应的处理,如重新发送交易指令、调整交易策略等。
如:在交易过程中,可能会遇到各种异常情况,如交易机构的系统故障、网络连接问题、交易机构的规则变更等。对于这些异常情况,需要有相应的处理机制,以确保交易的稳定运行。
如,如果遇到交易所的系统故障,异常信息处理可为:暂停交易,等待系统恢复后再继续;如果遇到网络连接问题,异常信息处理可为:尝试重新连接,或者切换到备用的网络连接;如果遇到交易所的规则变更,异常信息处理可为:及时更新交易指令的生成规则,以适应新的规则。
本实施例还包括:记录所有的交易活动,包括发送的交易指令、接收的交易指令执行结果、处理的异常情况等。这些记录可以用于后续的性能评估、问题排查、系统优化等工作。此外,本实施例还可根据需要定期生成交易报告,包括交易的统计信息、性能指标、异常情况的分析等,以供用户和系统管理员参考。
如图5所示,所述S80,交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能中,所述收益率计算,包括:
S801,设置初始投资额;
S802,根据交易指令执行结果,计算每次交易后的总投资收益;
S803,根据总投资收益和初始投资额,计算收益率;
所述收益率分析,包括:
S804,计算交易成本;
S805,将总收益率和预设基准进行比较,得到收益率表现值;
S806,通过改变初始交易策略的参数值,得到收益率敏感值。
本实施例中,收益率计算可包括:
初始化:设置一个初始的投资额,这是初始资本,这个数值可以根据实际情况进行设定。
执行交易:遵循交易策略,进行买入和卖出操作。即:会在不同的时间点以不同的价格买入和卖出股票。
计算总收益:根据交易指令执行结果,计算每次交易后的总投资收益,即:等于目前投资组合的价值减去初始投资额。
计算收益率:总收益率等于总收益除以初始投资额,然后乘以100%。
循环并追踪:重复上述步骤,直到达到结束策略评估的时间点;在结束时,可以看到的初始投资额增长(或减少)了多少,以及收益率是多少,也可以观察到在执行此交易策略期间资金的最高点和最低点,可以辅助了解策略的风险。
本实施例中,收益率分析,可包括:交易频率和交易成本、对比基准和敏感性分析这三个方面;
计算交易成本,交易策略可能需要频繁的买入和卖出,这可能会导致较高的交易成本,因此,通过考虑这些成本,以了解它们对总收益率的影响。
对比基准,将总收益率和预设基准(如某几种指数的收益率、或其他策略)比较,可以帮助理解本申请中的策略相对于市场或相对于其他策略的表现。
敏感性分析,通过改变本和本申请初始交易策略中的一些参数(比如买入和卖出的百分比,或者风险承受类型等),然后观察这些改变如何影响总收益率,这可以帮助理解本申请策略对这些参数的敏感性,以及这些参数的设定是否合理。
基于上述分析,本实施例还可包括:生成详细的评估报告,该评估报告可以详细描述交易策略的性能,包括各种性能指标的具体数值、性能的变化趋势,以及性能的弱点。
本实施例还可包括:用户交互;具体实施例可包括:
通过一个直观且易于操作的交互界面,使用户能够方便地管理和监控量化交易系统。如:
交易信息展示,使用户可以查看实时的交易信息,包括当前的持仓状态、最近的交易记录、实时的市场价格等,这些信息以图表和列表的形式展示,使用户能够快速了解当前的交易情况。
性能指标展示,使用户可以查看预测结果,交易者类型,买入/卖出率,总收益率等指标,这些指标以数字和图表的形式展示,使用户能够直观地了解交易策略的性能。
参数设置,用户可以调整各种参数,如风险承受度、交易规则、预测模型的参数等;用户可以根据自己的需求和偏好,调整这些参数,以改变交易策略的行为。
系统通知,可显示各种通知信息,如交易异常、系统错误、重要的市场事件等。这些通知信息可以帮助用户及时了解系统的状态和市场的动态。
帮助和支持,用户可以查看各种帮助信息,如系统的使用指南、常见问题的解答等;用户也可以通过这一部分,联系系统的支持团队,获取更多的帮助和支持。
本申请实施例还提供了一种电子设备,包括:
存储器;处理器;以及计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如上所述的方法。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如上所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.基于改进DETR模型的全自动量化交易方法,其特征在于,包括:
S10,采集历史金融时序数据,以及金融文本数据;
S20,对历史金融时序数据和金融文本数据进行预处理,并对预处理后的历史金融时序数据和金融文本数据进行存储;
S30,基于改进的DETR模型构建股票预测模型;
S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;
S50,基于所述训练好的股票预测模型对待预测股票进行预测,得到待预测股票未来某一天的收盘价格、波动率和交易量。
2.根据权利要求1所述的基于改进DETR模型的全自动量化交易方法,其特征在于,还包括:
S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息。
3.根据权利要求2所述的基于改进DETR模型的全自动量化交易方法,其特征在于,还包括:
S70,根据交易决策信息,生成交易指令,以使交易机构执行交易指令;
所述交易指令包括:买入或卖出指令信息、交易资产代码指令信息、数量指令信息和价格指令信息;
S80,接收交易机构返回的交易指令执行结果,当交易指令执行结果为异常时,进行异常信息处理。
4.根据权利要求3所述的基于改进DETR模型的全自动量化交易方法,其特征在于,所述S80,还包括:
当交易指令执行结果为正常时,根据交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能。
5.根据权利要求4所述的基于改进DETR模型的全自动量化交易方法,其特征在于,所述股票预测模型,包括:卷积神经网络、交叉注意力机制、注意力门和Transformer模块;
所述S40,通过历史金融时序数据和金融文本数据对股票预测模型进行训练,得到训练好的股票预测模型;包括:
S401,将历史金融时序数据转换为多元时间序列向量;
S402,通过卷积神经网络提取多元时间序列向量中的局部特征和短期特征;
S403,将金融文本数据生成词嵌入向量;
S404,通过交叉注意力机制对词嵌入向量进行处理,得到词向量特征;
S405,将卷积神经网络输出的多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征输入至注意力门,得到注意力权重向量;
S406,Transformer模块根据注意力权重向量、多元时间序列向量中的局部特征和短期特征、以及交叉注意力机制输出的词向量特征,输出预测的收盘价格向量、波动率向量和交易量向量;
S407,根据预测的收盘价格向量、波动率向量和交易量向量与实际的收盘价格向量、波动率向量和交易量向量进行比较,根据比较结果对所述股票预测模型进行训练,得到训练好的股票预测模型。
6.根据权利要求4所述的基于改进DETR模型的全自动量化交易方法,其特征在于,所述S60,根据待预测股票未来某一天的收盘价格、波动率、交易量,以及预设的交易规则和风险控制策略,生成交易决策信息;包括:
S601,接收待预测股票未来某一天的收盘价格、波动率和交易量;
S602,计算归一化交易量Vnorm,计算式为:
其中,Vmax和Vmin是待预测股票一个计算周期内的交易量中的最大值和最小值,V是股票预测模型预测出的交易量;
S603,根据预测出的波动率R、收盘价p、归一化交易量Vnorm、以及交易者类型T和可调参数c,输出初始交易策略;
具体包括:
S603-1,当R>15%,对于保守型交易者T=1,则:B=0;
对于普通型交易者T=1,则:
对于激进型交易者(T=3),则:
S603-2,当R≤15%,则:
其中,B为买入/卖出百分比;B为正值,则表示买入,B为负值,则表示卖出情形。
7.根据权利要求4所述的基于改进DETR模型的全自动量化交易方法,其特征在于,
所述可调参数c的取值范围为:[-3,3]。
8.根据权利要求6所述的基于改进DETR模型的全自动量化交易方法,其特征在于,所述S80,交易指令执行结果,进行收益率计算和收益率分析,以评估股票预测模型和交易决策信息的性能中,所述收益率计算,包括:
S801,设置初始投资额;
S802,根据交易指令执行结果,计算每次交易后的总投资收益;
S803,根据总投资收益和初始投资额,计算收益率;
所述收益率分析,包括:
S804,计算交易成本;
S805,将总收益率和预设基准进行比较,得到收益率表现值;
S806,通过改变初始交易策略的参数值,得到收益率敏感值。
9.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1至8任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序;所述计算机程序被处理器执行以实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850287.6A CN116894731A (zh) | 2023-07-11 | 2023-07-11 | 基于改进detr模型的全自动量化交易方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310850287.6A CN116894731A (zh) | 2023-07-11 | 2023-07-11 | 基于改进detr模型的全自动量化交易方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894731A true CN116894731A (zh) | 2023-10-17 |
Family
ID=88311766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310850287.6A Pending CN116894731A (zh) | 2023-07-11 | 2023-07-11 | 基于改进detr模型的全自动量化交易方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116894731A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339452A (zh) * | 2011-11-09 | 2012-02-01 | 曾祥洪 | 金融衍生品量化交易方法和量化交易系统 |
CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
CN110634071A (zh) * | 2019-09-06 | 2019-12-31 | 北京神州同道智能信息技术有限公司 | 一种基于自动量化交易平台的全市场多品种智能金融资管系统 |
CN113450227A (zh) * | 2021-07-16 | 2021-09-28 | 浙江工业大学 | 一种基于sac强化学习的自适应股票交易方法 |
CN113919944A (zh) * | 2021-09-07 | 2022-01-11 | 暨南大学 | 基于强化学习算法与时间序列模型的股票交易方法及系统 |
CN114612231A (zh) * | 2022-02-15 | 2022-06-10 | 龙雄伟 | 股票量化交易方法、装置、终端设备及可读存储介质 |
CN115908008A (zh) * | 2022-11-03 | 2023-04-04 | 集美大学 | 股票成交金额预测及模型训练方法、装置、设备及介质 |
-
2023
- 2023-07-11 CN CN202310850287.6A patent/CN116894731A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339452A (zh) * | 2011-11-09 | 2012-02-01 | 曾祥洪 | 金融衍生品量化交易方法和量化交易系统 |
CN110363568A (zh) * | 2019-06-06 | 2019-10-22 | 上海交通大学 | 融合文本多主题信息的股票价格预测方法、系统及介质 |
CN110634071A (zh) * | 2019-09-06 | 2019-12-31 | 北京神州同道智能信息技术有限公司 | 一种基于自动量化交易平台的全市场多品种智能金融资管系统 |
CN113450227A (zh) * | 2021-07-16 | 2021-09-28 | 浙江工业大学 | 一种基于sac强化学习的自适应股票交易方法 |
CN113919944A (zh) * | 2021-09-07 | 2022-01-11 | 暨南大学 | 基于强化学习算法与时间序列模型的股票交易方法及系统 |
CN114612231A (zh) * | 2022-02-15 | 2022-06-10 | 龙雄伟 | 股票量化交易方法、装置、终端设备及可读存储介质 |
CN115908008A (zh) * | 2022-11-03 | 2023-04-04 | 集美大学 | 股票成交金额预测及模型训练方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11854083B1 (en) | Methods and systems to quantify and index liquidity risk in financial markets and risk management contracts thereon | |
US8700522B2 (en) | Loan portfolio management tool | |
Bens et al. | Does investment-related pressure lead to misreporting? An analysis of reporting following M&A transactions | |
Du Jardin | Bankruptcy prediction models: How to choose the most relevant variables? | |
US7831494B2 (en) | Automated financial portfolio coaching and risk management system | |
US7761359B2 (en) | System and method for optimizing investments within an organization | |
US20200134716A1 (en) | Systems and methods for determining credit worthiness of a borrower | |
US8200562B2 (en) | System and method for generating a transactionable multimedia financial planning statement | |
US20140258175A1 (en) | Generating Personalized Investment Recommendations | |
CN111047128A (zh) | 企业财务曝险管理系统 | |
CN116029832A (zh) | 基于深度学习的量化交易策略预测方法、装置及存储介质 | |
US10325319B2 (en) | Web platform with customized agents for automated web services | |
CN114846500A (zh) | 从动态生成的电子数据库中执行选择的系统 | |
CN116894731A (zh) | 基于改进detr模型的全自动量化交易方法及设备 | |
CN115713389A (zh) | 理财产品推荐方法及装置 | |
PĂUNA | Automated Trading Software-Design and Integration in Business Intelligence Systems. | |
US20160239914A1 (en) | Analyzing Financial Market Transactions | |
KR102620000B1 (ko) | 재무 지표 분석 기반 투자 가치 평가 서비스 제공 방법 및 장치 | |
US20230401417A1 (en) | Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action | |
Koshiyama et al. | A derivatives trading recommendation system: The mid‐curve calendar spread case | |
TWI732650B (zh) | 股票預測方法及用於股票預測的伺服端 | |
KR102662354B1 (ko) | 딥러닝 기반의 투자가치 분석 장치 및 방법 | |
US20230401416A1 (en) | Leveraging multiple disparate machine learning model data outputs to generate recommendations for the next best action | |
RU2599951C2 (ru) | Система организации процесса электронной торговли финансовыми инструментами | |
US20230342617A1 (en) | Using machine learning to predict appropriate actions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |