AIAlpha：用于股票收益率预测的多层神经网络架构

本项目旨在实现一种高级的堆叠式神经网络，用于预测股票收益率。我希望读者能够理解构建此类多层模型的核心原理，以及如何对各个组件进行细致调优以获得最佳预测性能。一旦掌握了这些核心原则，就可以根据实际应用时的最新技术，用更先进的模型替换原模型中的各个组件。

该工作流程与马科斯·洛佩兹·德普拉多所著的经典著作《金融机器学习进阶》中的方法类似，我强烈推荐给任何希望学习如何将机器学习技术应用于金融数据的人。由于 GitHub 的文件大小限制，本项目使用的数据并未包含在仓库中，但原始数据曾由 Tick Data LLC 公开发布，不过目前似乎已无法获取。

本质上，我们将基于逐笔交易数据生成 K 线（按笔数、成交量或成交金额划分），进行特征工程，利用自编码器进行降维，最后使用机器学习模型进行预测。我实现了LSTM回归模型和随机森林分类模型，用于判断价格走势的方向。

本模型未经修改不宜直接用于实盘交易。然而，经过适当扩展后，结合合适的策略，该模型完全有可能带来盈利。

衷心希望本项目能为您开发自己的交易策略或机器学习模型提供启发和帮助。

本项目展示了如何利用机器学习预测股票未来价格。为了更高效地配置资金，请参阅 OptimalPortfolio

免责声明：本项目纯粹为教育用途。任何回测表现均不保证实盘交易结果。请自行承担交易风险。 本文仅作为模型使用指南。若想深入了解模型背后的逻辑与理论，请访问我的博客：Engineer Quant

目录

• 目录
• 概述
• 快速入门
• K 线采样
• 特征工程
• 堆叠式自编码器
• 神经网络模型
• 随机森林模型
• 结果
• 在线学习
• 下一步？
• 贡献

概述

从事过机器学习工作的人都知道，其标准流程通常包括：获取数据、预处理、训练、测试和模型监控。然而，鉴于本任务的复杂性，我们对流程进行了调整，具体如下：

1. 获取逐笔交易数据——这是我们模型的主要输入。
2. 数据预处理——我们需要采用某种方法对数据进行采样，并进一步划分为训练集和测试集。
3. 训练堆叠式自编码器——这将作为我们的特征提取器。
4. 数据处理——在此步骤中，我们将得到模型所需的特征以及对应的训练和测试数据集。
5. 使用神经网络或随机森林模型从训练数据中学习。
6. 利用测试集评估模型性能——以此来衡量模型的好坏。

接下来，我将详细阐述整个流程的各个环节。

快速入门

对于只想快速体验模型效果的用户，请运行以下代码（请确保使用 Python 3，以避免出现错误）：

pip install -r requirements.txt
python run.py

注：由于 GitHub 文件大小限制，我仅上传了部分数据（100 万行），因此模型结果可能与下方展示的不同。

K 线采样

直接在逐笔交易数据上运行机器学习算法或其他统计模型，往往难以取得理想效果，这是因为买卖价差波动带来的高噪声，以及数据本身的高度非线性特性。因此，我们需要按照一定的时间间隔或交易量等指标对数据进行采样，具体的采样频率可根据预测模型的需求而定。常见的采样方式是按时间采样（例如每分钟生成一根 K 线），但这种方式容易产生非平稳性，且收益分布也不符合正态分布。正如《金融机器学习进阶》中所述，我们应按照交易笔数、成交量或成交金额来采样 K 线。这种采样方式能够更好地反映数据的统计特性，更适合用于机器学习任务。

特征工程

基于采样得到的 OHLCV 数据，我们可以进一步构造有助于预测的特征。我构建了一组基于各类价格和成交量的移动平均线及滚动波动率的特征，这些特征可以根据需要进一步扩展。

堆叠式自编码器

在提取特征后，我们会发现数据维度非常高（在我的配置中为 185 维）。这种高维数据会给机器学习算法的运行带来诸多问题，即所谓的“维度灾难”。不过，我们可以通过使用能够将高维数据压缩至低于输入维度的神经网络来缓解这一问题。当训练这样的神经网络时，它便能提取出数据中“重要”的部分，从而得到压缩后的特征表示。尽管这种方法非常有效，但其缺点在于我们无法明确这些压缩后的特征具体代表什么含义，因此也无法在其他数据集中复现相应的特征模式。

神经网络模型

近年来，利用神经网络进行时间序列预测已变得十分普遍，其强大的表达能力也广为人知。我选用 LSTM 模型是因为其具备记忆功能。然而，在训练过程中，我遇到了一个常见问题：模型容易陷入常数解，这实际上是损失函数的一个局部最小值。为解决这一问题，可以尝试不同的权重初始化方法，并对超参数进行调优。

随机森林模型

有时候，使用更简单的模型反而比复杂的神经网络更好。尤其是在可用数据量不足以支持深度模型的情况下更是如此。尽管我使用了逐笔交易级别的数据，但整个数据集也只有约500万行。经过采样后，数据量进一步减少，对于深度学习模型来说，这样的数据量显然无法有效训练。因此，我选择使用随机森林分类模型来预测下一根K线的方向。

结果

通过这个堆叠的神经网络模型，我取得了不错的成果。以下是针对不同证券的预测结果与实际市场价格的对比图。

EURUSD

EURUSD价格 - R²：0.90

而对于随机森林分类模型，效果则更为理想。这次模拟我使用的是逐笔K线。

基准情况仅仅是预测市场无变化。在样本外测试中的结果如下：

逐笔K线：
    模型对数损失：2.78
    基准对数损失：4.81

成交量K线：
    模型对数损失：1.69
    基准对数损失：5.06

金额K线：
    模型对数损失：2.56
    基准对数损失：2.94

为了更好地理解自编码器带来的影响，我还运行了不使用自编码器的版本，结果如下：

逐笔K线：
    模型对数损失：5.12
    基准对数损失：4.81

成交量K线：
    模型对数损失：3.25
    基准对数损失：5.06

金额K线：
    模型对数损失：3.62
    基准对数损失：2.94

在线学习

通常情况下，模型在基于历史数据训练完毕后便停止更新，仅用于对未来数据进行预测。然而，我认为如果模型仅仅依赖历史数据而不利用自身的预测结果来持续学习，未免有些浪费。为此，我们可以将新的（预测值，真实值）对作为输入，不断训练模型，从而实现持续优化。

下一步计划

这套模型的优点在于，一旦其架构被完全理解，就可以灵活地替换其中的各个子模型，以选用当前最优的模型。因此，随着时间的推移，实际使用的具体模型可能会发生变化，但核心框架将保持不变。此外，我也正在结合《金融机器学习进阶》中的相关思想，进一步优化现有模型，例如引入样本权重、交叉验证以及集成方法等。

贡献与反馈

我非常欢迎各位的宝贵意见和改进建议！

希望您喜欢这篇文章！如需查看更多类似内容，请访问：Engineer Quant

AIAlpha 快速上手指南

AIAlpha 是一个基于多层神经网络架构的开源项目，旨在预测股票收益率。该项目实现了从 Tick 数据采样、特征工程、堆叠自编码器降维，到 LSTM 回归或随机森林分类预测的完整流程。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：Python 3.x（项目明确建议不要使用 Python 2，以避免错误）
• 前置依赖：
  • pip (Python 包管理工具)
  • 基础科学计算库（将通过 requirements.txt 自动安装，通常包括 numpy, pandas, scikit-learn, tensorflow 或 keras 等）

注意：由于 GitHub 文件大小限制，仓库中仅包含部分示例数据（100 万行）。若需复现完整效果或进行实盘策略研究，您需要自行准备完整的 Tick 级金融数据（原数据源自 Tick Data LLC）。

安装步骤

1. 克隆项目代码 首先将仓库克隆到本地：

   git clone https://github.com/VivekPa/AIAlpha.git
   cd AIAlpha
   

2. 安装依赖包 使用 pip 安装项目所需的所有依赖。

   国内用户建议使用清华或阿里镜像源以加速下载：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   或使用官方源：

   pip install -r requirements.txt
   

基本使用

安装完成后，您可以直接运行主脚本来查看模型的演示效果。该脚本将执行数据采样、特征提取、模型训练及预测的全过程。

运行命令：

python run.py

运行说明：

• 脚本将使用仓库内附带的部分示例数据进行演示。
• 输出结果将包含模型对测试集的预测表现（如 Log Loss 指标）以及预测值与实际值的对比分析。
• 重要提示：本项目主要用于教育和研究目的，展示机器学习在金融数据中的应用流程。未经过充分修改和策略适配的模型不可直接用于实盘交易。

---

更多理论细节与模型推导，建议参考原作者博客 Engineer Quant 或书籍《Advances in Financial Machine Learning》。