令人惊叹的深度交易

用于将人工智能/深度学习/机器学习/神经网络应用于算法交易的代码、论文和资源列表。

开放获取：任何人可在您选择的免费 MIT 许可证或知识共享 CC-BY 国际公共许可证下，以任何方式免费使用和再利用这些内容，且不需支付任何费用。

© 2021 克雷格·贝尔斯 (@cbailes | Patreon | contact@craigbailes.com)

目录

• 论文
  • 元分析与系统综述
  • 卷积神经网络 (CNNs)
  • 长短期记忆网络 (LSTMs)
  • 生成对抗网络 (GANs)
  • 高频交易
  • 投资组合
  • 强化学习
  • 漏洞
  • 加密货币
  • 社交处理
    • 行为分析
    • 情感分析
• 仓库
  • 生成对抗网络 (GANs)
  • 指南
  • 加密货币
  • 数据集
    • 仿真
• 资源
  • 演示文稿
  • 课程
  • 延伸阅读

论文

• 基于分类的金融市场预测：深度神经网络的应用 - 马修·迪克森、迭戈·克拉布扬、金勋邦（2016年）
• 限价订单簿的深度学习方法 - 贾斯汀·西里格纳诺（2016年）
• 基于深度神经网络的高频交易策略 - 安德烈斯·阿雷瓦洛、海梅·尼诺、赫尔曼·埃尔南德斯、哈维尔·桑多瓦尔（2016年）
• 用于金融投资组合管理问题的深度强化学习框架 - 蒋正尧、徐迪兴、梁锦俊（2017年）
• 基于循环强化学习和LSTM神经网络的智能交易代理 - 大卫·W·卢（2017年）
• 深度对冲策略 - 汉斯·比勒、卢卡斯·戈农、约瑟夫·泰希曼、本·伍德（2018年）
• 基于深度强化学习的股票交易机器人 - 阿希尔·拉杰·阿齐科丹、安维塔·G·K·巴特、玛玛塔·V·贾达夫（2018年）
• 将金融交易视为游戏：一种深度强化学习方法 - 黄建义（2018年）
• 股票交易的实用深度强化学习方法 - 熊卓然、刘晓阳、钟山、杨洪洋、安瓦尔·瓦利德（2018年）
• 基于GPU的算法交易与机器学习 - 曼塔斯·瓦伊托尼斯、绍柳斯·马斯特凯卡、康斯坦蒂纳斯·科罗夫基纳斯（2018年）
• 利用深度卷积神经网络的量化交易方法 - 陈海波、梁道磊、LL·赵（2019年）
• 交易所市场中的深度学习 - 瑞·贡萨尔维斯、维托尔·米格尔·里贝罗、费尔南多·洛博·佩雷拉、安娜·保拉·罗沙（2019年）
• 基于股票K线图时间序列的深度卷积神经网络金融交易模型 - 奥默·贝拉特·塞泽尔、艾哈迈德·穆拉特·厄兹巴约卢（2019年）
• 基于价格跟踪的金融交易深度强化学习 - 康斯坦提诺斯·赛塔斯·扎尔基亚斯、尼古拉奥斯·帕萨利斯、阿夫拉姆·赞特基迪斯、阿纳斯塔西奥斯·特法斯（2019年）
• 用于剥头皮交易的多智能体合作强化学习框架 - 岳助、曹泰贤、金万俊、尹一柱、李东锡、李承浩（2019年）
• 利用深度Q学习改进金融交易决策：预测股票数量、行动策略及迁移学习 - 郑姬恩、金夏英（2019年）
• 深度执行——基于价值与策略的强化学习，用于交易并超越市场基准 - 凯文·达贝里乌斯、埃尔文·格拉纳特、帕特里克·卡尔松（2019年）
• 股票日间交易策略中机器学习算法的实证研究 - 吕东东、袁书涵、李美姿、杨翔（2019年）
• 机器学习量化交易指南 - 丹尼尔·亚历山大·布洛赫（2019年）
• 探索利用深度学习改进动量策略的可能性 - 亚当·塔卡茨、X·萧（2019年）
• 利用深度神经网络增强时间序列动量策略 - 布赖恩·林、斯特凡·佐伦、斯蒂芬·罗伯茨（2019年）
• 用于清算策略分析的多智能体深度强化学习 - 包文航、刘晓阳（2019年）
• 基于深度学习的特征工程在股价走势预测中的应用 - 温龙、陆志晨、崔凌霄（2019年）
• 股票市场预测与分析综述 - 阿尼尔班·巴尔、德巴扬·冈古利、金舒克·查特吉（2019年）
• 神经网络作为俄罗斯金融市场数字化背景下的预测工具 - 瓦列里·阿列欣、奥列格·斯维里多夫、因娜·涅克拉索娃、德米特里·谢甫琴科（2020年）
• 多源驱动的量化投资深度层次化策略模型 - 唐春明、朱文燕、于翔（2019年）
• 在BSE100中寻找高效股票：巴菲特方法的实施导论 - 谢琳·瓦尔盖斯、桑迪普·塔库尔、梅达·丁格拉（2020年）
• 资产定价中的深度学习 - 陈路阳、马库斯·佩尔格、杰森·朱（2020年）

元分析与系统综述

• 机器学习在股票交易中的应用：综述 - 科克·盛·谭、拉贾斯瓦兰·洛格斯瓦兰（2018年）
• 评估机器学习算法在金融市场预测中的表现：全面综述 - 卢卡斯·瑞尔、塞巴斯蒂安·赛登斯（2019年）
• 金融市场中的强化学习 - 特里·凌泽·孟、马特鲁布·胡什（2019年）
• 深度学习在金融时间序列预测中的应用：2005—2019年系统文献综述 - 奥默·贝拉特·塞泽尔、穆罕默德·乌古尔·古德莱克、艾哈迈德·穆拉特·厄兹巴约卢（2019年）
• 股票市场预测中基本面和技术分析的系统综述 - 艾萨克·科菲·恩蒂、阿德巴约·阿德科亚、本杰明·阿苏巴姆·韦约里（2019年）

卷积神经网络（CNNs）

• 基于深度学习的股票交易模型：二维卷积神经网络趋势检测 - Ugur Gudelek、S. Arda Boluk、Murat Ozbayoglu、Murat Ozbayoglu（2017年）
• 基于深度卷积神经网络的算法化金融交易：时间序列转图像方法 - Omer Berat Sezar、Murat Ozbayoglu（2018年）
• DeepLOB：用于限价订单簿的深度卷积神经网络 - Zihao Zhang、Stefan Zohren、Stephen Roberts（2019年）

长短期记忆网络（LSTMs）

• 斯坦福CS229课程：深度学习在算法交易中的应用 - Guanting Chen、Yatong Chen、Takahiro Fushimi（2017年）
• 基于深度学习模型的股票价格预测 - Jialin Liu、Fei Chao、Yu-Chen Lin、Chih-Min Lin（2019年）
• 深度学习在股市交易中的应用：一种更优的交易策略吗？ - D. Fister、J. C. Mun、V. Jagrič、T. Jagrič（2019年）
• 循环神经网络在股市短期投资决策中的性能评估 - Alexandre P. da Silva、Silas S. L. Pereira、Mário W. L. Moreira、Joel J. P. C. Rodrigues、Ricardo A. L. Rabêlo、Kashif Saleem（2020年）
• 基于LSTM神经网络的金融资产交易预测模型研究 - Xue Yan、Wang Weihan、Miao Chang（2020年）
• 利用长短期记忆神经网络模型预测波段交易的股票走势 - Varun Totakura、V. Devasekhar、Madhu Sake（2020年）
• 一种新颖的深度学习框架：基于CEEMD和LSTM的金融时间序列预测与分析 - Yong'an Zhang、Binbin Yan、Memon Aasma（2020年）
• 深度股票预测 - Akash Doshi、Alexander Issa、Puneet Sachdeva、Sina Rafati、Somnath Rakshit（2020年）

生成对抗网络（GANs）

• 生成对抗网络在金融交易策略调优与组合中的应用 - Adriano Koshiyama（2019年）
• 基于生成对抗网络的股市预测 - Kang Zhang、Guoqiang Zhong、Junyu Dong、Shengke Wang、Yong Wang（2019年）
• 用于股市价格预测的生成对抗网络 - Ricardo Alberto Carrillo Romero（2019年）
• 用于市场分时识别的生成对抗网络 - Luca Grilli、Domenico Santoro（2020年）

高频交易

• 基于深度神经网络的高频数据算法交易 - Andrés Arévalo、Jaime Niño、German Hernandez、Javier Sandoval、Diego León、Arbey Aragón（2017年）
• 基于生成对抗网络的高频数据股市预测 - Xingyu Zhou、Zhisong Pan、Guyu Hu、Siqi Tang、Cheng Zhao（2018年）
• 深度神经网络在高频交易中的应用 - Prakhar Ganesh、Puneet Rakheja（2018年）
• 机器学习在股票高频交易中的应用 - Obi Bertrand Obi（2019年）

投资组合

• 基于深度强化学习的人工智能多场景财务规划 - Gordon Irlam（2020年）
• G-Learner和GIRL：基于强化学习的目标导向财富管理 - Matthew Dixon、Igor Halperin（2020年）
• 基于强化学习的投资组合管理：结合增强型资产变动预测状态 - Yunan Ye、Hengzhi Pei、Boxin Wang、Pin-Yu Chen、Yada Zhu、Jun Xiao、Bo Li（2020年）

强化学习

• 金融市场中的强化学习——综述 - Thomas G. Fischer（2018年）
• AlphaStock：基于可解释深度强化注意力网络的“买赢家、卖输家”投资策略 - Jingyuan Wang、Yang Zhang、Ke Tang、Junjie Wu、Zhang Xiong（2019年）
• 捕捉金融市场以应用深度强化学习 - Souradeep Chakraborty（2019年）
• 强化学习在外汇交易中的应用 - Yuqin Dai、Chris Wang、Iris Wang、Yilun Xu（2019年）
• 深度强化学习在算法交易中的应用 - Thibaut Théate、Damien Ernst（2020年）
• 单资产交易：一种基于循环强化学习的方法 - Marko Nikolic（2020年）
• 利用深度强化学习击败中国股市 - Gang Huang、Xiaohua Zhou、Qingyang Song（2020年）
• 基于烛台分解特征的深度强化学习自适应金融交易系统 - Ding Fengqian、Luo Chao（2020年）
• 深度Q网络在投资组合管理中的应用 - Ziming Gao、Yuan Gao、Yi Hu、Zhengyong Jiang、Jionglong Su（2020年）
• 基于双深度Q网络的深度强化学习配对交易 - Andrew Brim（2020年）
• 基于奖励修正的量化选股强化学习模型 - Haibo Chen、Chenyu Zhang、Yunke Li（2020年）
• AAMDRL：基于深度强化学习的增强型资产管理 - Eric Benhamou、David Saltiel、Sandrine Ungari、Abhishek Mukhopadhyay、Jamal Atif（2020年）

指南

• 使用堆叠 LSTM 进行股票价格预测与 forecasting —— 深度学习 - Krish Naik (2020)
• 时间序列 forecasting 中 ARIMA 模型与 LSTM RNN 模型的比较 - Vaibhav Kumar (2020)
• LSTM 用于预测道琼斯工业平均指数：一种时间序列 forecasting 模型 - Sarit Maitra (2020)

漏洞

• 深度算法交易策略的对抗攻击 - Yaser Faghan, Nancirose Piazza, Vahid Behzadan, Ali Fathi (2020)

加密货币

• 基于深度强化学习方法推荐加密货币交易点 - Otabek Sattarov, Azamjon Muminov, Cheol Won Lee, Hyun Kyu Kang, Ryumduck Oh, Junho Ahn, Hyung Jun Oh, Heung Seok Jeon (2020)

社会处理

行为分析

• 深度学习能否预测高风险散户投资者？—— 金融风险行为 forecasting 的案例研究 - Yaodong Yang, Alisa Kolesnikova, Stefan Lessmann, Tiejun Ma, Ming-Chien Sung, Johnnie E.V. Johnson (2019)
• 基于深度学习的投资者行为监测 - Song Wang, Xiaoguang Wang, Fanglin Meng, Rongjun Yang, Yuanjun Zhao (2020)

情感分析

• 利用深度学习改进决策 analytics：以财务信息披露为例 - Stefan Feuerriegel, Ralph Fehrer (2015)
• 大数据：用于金融情感分析的深度学习 - Sahar Sohangir, Dingding Wang, Anna Pomeranets, Taghi M. Khoshgoftaar (2018)
• 使用机器学习预测股票价格 - Vivek Palaniappan (2018)
• 利用 Twitter 进行股票预测 - Khan Saad Bin Hasan (2019)
• 基于情感和知识的深度强化学习算法交易 - Abhishek Nan, Anandh Perumal, Osmar R. Zaiane (2020)

仓库

• Yvictor/TradingGym - 用于训练强化学习智能体或简单规则基础算法的交易和回测环境
• Rachnog/Deep-Trading - 实验性时间序列 forecasting
• jobvisser03/deep-trading-advisor - Deep Trading Advisor 使用 MLP、CNN 和 RNN+LSTM，结合 Keras、zipline、Dash 和 Plotly
• rosdyana/CNN-Financial-Data - 使用卷积神经网络进行深度交易
• iamSTone/Deep-trader-CNN-kospi200futures - 使用 CNN 预测 Kospi200 指数期货
• ha2emnomer/Deep-Trading - 基于 Keras 的 LSTM RNN
• gujiuxiang/Deep_Trader.pytorch - 该项目在股票市场中使用强化学习，智能体尝试学习交易。基于 PyTorch。
• ZhengyaoJiang/PGPortfolio - PGPortfolio：策略梯度投资组合，是“用于金融投资组合管理问题的深度强化学习框架”的源代码
• yuriak/RLQuant - 将强化学习应用于量化交易（策略梯度，直接 RL）
• ucaiado/QLearning_Trading - 使用 Q-Learning 进行交易
• laikasinjason/deep-q-learning-trading-system-on-hk-stocks-market - 在香港证券交易所实施深度 Q 学习
• golsun/deep-RL-trading - Xiang Gao 论文“时间序列的深度强化学习：玩理想化的交易游戏”的代码库
• huseinzol05/Stock-Prediction-Models - 收集了用于股票 forecasting 的机器学习和深度学习模型，包括交易机器人和模拟
• jiewwantan/StarTrader - 使用深度强化学习算法训练智能体像人类一样交易：深度确定性策略梯度（DDPG）学习算法
• notadamking/RLTrader - 一个使用深度强化学习和 OpenAI gym 的加密货币交易环境

生成对抗网络 (GANs)

• borisbanushev/stockpredictionai - 一个笔记本，用于使用 LSTM 生成器和 CNN 判别器预测股票价格走势
• kah-ve/MarketGAN - 在股票市场上实现生成对抗网络

加密货币

• samre12/deep-trading-agent - 基于深度强化学习的比特币交易智能体，使用 DeepSense Network 近似 Q 函数。
• ThirstyScholar/trading-bitcoin-with-reinforcement-learning - 使用强化学习交易比特币
• lefnire/tforce_btc_trader - 一个基于 TensorForce 的比特币交易机器人（algo-trader）。使用深度强化学习根据价格历史自动买入/卖出/持有 BTC。

数据集

• kaggle/庞大的股票市场数据集 - 美国所有股票和 ETF 的历史每日价格和成交量
• Alpha Vantage - 免费的 JSON 和 CSV 格式 API，实时和历史股票数据、外汇和加密货币行情，50 多种技术指标
• Quandl

模拟

• 生成逼真的股票市场订单流 - 匿名作者 (2018)
• 深度对冲：学习模拟股票期权市场 - Magnus Wiese、Lianjun Bai、Ben Wood、Hans Buehler (2019)

资源

演讲

• BigDataFinance 神经网络简介 - 阿纳斯塔西奥斯·特法斯，塞萨洛尼基亚里士多德大学助理教授（2016年）
• 利用深度学习进行交易：动机、挑战与解决方案 - 亚姆·佩莱格，GPU 技术大会（2017年）
• 金融科技、人工智能与金融中的机器学习 - 桑吉夫·达斯（2018年）
• 用于投资组合优化的深度残差学习：结合注意力机制与切换模块 - 杰夫·王，纽约大学博士

课程

• Udacity 的 ND880 人工智能交易纳米学位课程（+GitHub 代码仓库）
• Quantra 平台埃内斯特·P·陈博士开设的交易中的神经网络课程
• 纽约大学在 Coursera 上推出的金融领域的机器学习与强化学习专项课程

聚会

• Meetup 上的人工智能与算法交易聚会（纽约市）

更多阅读

• 用于算法交易的神经网络：简单的时间序列预测 - 亚历克斯·拉赫诺格（2016年）
• 利用深度学习预测加密货币价格 - 大卫·希恩（2017年）
• 强化学习入门：如何通过强化学习学会交易 - 丹尼·布里茨（2018年）
• 网络研讨会：如何使用深度神经网络预测股票价格 - 埃雷兹·卡茨，Lucena Research（2018年）
• 打造不会亏钱的比特币交易机器人 - 亚当·金（2019年）
• 为什么深度强化学习可以帮助提高交易效率 - 维克托·塔切夫（2019年）
• 利用最先进技术优化深度学习交易机器人 - 亚当·金（2019年）
• 运用深度学习最新进展预测股价走势 - 鲍里斯·巴努舍夫（2019年）
• RNN 与 LSTM — 具有记忆功能的神经网络 - 纳盖什·辛格·乔汉（2020年）
• 对冲基金中的深度学习交易入门 - 内文·皮丘良

awesome-deep-trading 快速上手指南

awesome-deep-trading 并非一个可直接安装运行的单一软件包或框架，而是一个精选资源列表，汇集了应用于算法交易的 AI/深度学习代码库、学术论文及相关资料。本指南将指导开发者如何利用该列表快速构建自己的量化交易研究环境。

环境准备

由于列表中的项目多基于 Python 生态和主流深度学习框架，建议按以下标准配置开发环境：

• 操作系统：Linux (Ubuntu 20.04+ 推荐), macOS, 或 Windows (建议使用 WSL2)。
• Python 版本：3.8 - 3.10 (多数金融深度学习项目对此范围支持最佳)。
• 核心依赖：
  • PyTorch 或 TensorFlow (根据具体选用的仓库决定)
  • pandas, numpy (数据处理)
  • scikit-learn (传统机器学习辅助)
  • gym 或 gymnasium (强化学习环境)
• 硬件要求：若复现涉及 CNN、LSTM 或 GAN 的论文（尤其是高频交易部分），强烈建议使用支持 CUDA 的 NVIDIA GPU。

安装步骤

由于这是一个资源索引库，您不需要安装 awesome-deep-trading 本身，而是需要克隆该仓库以获取文献链接和代码库索引，然后选择具体的子项目进行安装。

1. 克隆资源索引库

首先获取该列表的本地副本，以便查阅论文和对应的 GitHub 仓库链接。

git clone https://github.com/cbailes/awesome-deep-trading.git
cd awesome-deep-trading

2. 配置通用深度学习环境

在运行列表中任何具体的代码仓库前，建议创建一个隔离的虚拟环境并安装基础科学计算库。

创建虚拟环境：

python -m venv venv
source venv/bin/activate  # Linux/macOS
# 或在 Windows 上: venv\Scripts\activate

安装基础依赖（使用国内镜像源加速）：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy pandas matplotlib scikit-learn

安装深度学习框架（按需选择其一）：

• PyTorch (推荐，社区资源较多):

  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
  

• TensorFlow:

  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
  

3. 获取具体项目代码

浏览 README.md 中的 Repositories 章节，找到感兴趣的项目（例如某个基于 GAN 或 LSTM 的交易机器人），进入其对应的 GitHub 页面进行克隆和安装。

示例：假设你选择了列表中某个名为 deep-trading-bot 的仓库（此处为示意）：

git clone https://github.com/author/deep-trading-bot.git
cd deep-trading-bot
pip install -r requirements.txt

基本使用

使用 awesome-deep-trading 的核心工作流是：检索论文/代码 -> 复现策略 -> 回测验证。

1. 检索策略与论文

打开本地的 README.md 文件，根据需求查找对应类别的资源：

• 趋势预测：查看 Convolutional Neural Networks (CNNs) 或 Long Short-Term Memory (LSTMs) 章节。
• 生成数据/增强策略：查看 Generative Adversarial Networks (GANs) 章节。
• 自动决策：查看 Reinforcement Learning 章节。
• 高频交易：查看 High Frequency 章节。

点击列表中的论文标题（如 [Classification-based Financial Markets Prediction using Deep Neural Networks]）阅读 arXiv 原文，理解模型架构。

2. 运行示例代码

大多数列出的仓库都包含训练脚本。以下是一个典型的基于 PyTorch 的训练流程示例（具体命令需参考所选子项目的文档）：

# 伪代码示例：加载数据并训练模型
import torch
from model import TradingLSTM  # 假设从选定仓库导入
from data_loader import get_market_data

# 1. 准备数据
dataset = get_market_data(symbol='BTC-USDT', timeframe='1h')

# 2. 初始化模型
model = TradingLSTM(input_size=10, hidden_size=50, num_layers=2)

# 3. 训练循环
for epoch in range(100):
    loss = model.train_step(dataset)
    if epoch % 10 == 0:
        print(f"Epoch {epoch}, Loss: {loss.item()}")

3. 数据集获取

在 Datasets 章节中查找适用的金融时间序列数据。许多项目会使用 yfinance 或加密货币交易所 API 获取实时数据，部分高级项目可能需要特定的订单簿（Limit Order Book）数据集。

# 示例：使用 Python 快速获取股票数据用于测试
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple yfinance

import yfinance as yf
data = yf.download("AAPL", start="2020-01-01", end="2023-01-01")
print(data.head())

通过结合本列表提供的理论依据（论文）和工程实现（代码仓库），您可以快速搭建并验证自己的深度量化交易策略。