[发明专利]一种基于多尺度自注意力的期货模型训练及交易实现方法

说明书

本发明公开了一种基于多尺度自注意力的期货模型训练及交易实现方法，在期货高频数据集构造阶段，收集期货主力合约五档高频数据，对数据进行预处理，并且使用未来价格变化构建标签；在深度特征提取层训练阶段，构建基于多尺度自注意力的深度神经网络，使用构造的标签训练网络并且保存模型参数；在交易模型训练阶段，构造交易模型，使用深度特征提取层输出的特征，并且使用最大化夏普比率的方法训练交易模型；在使用深度特征提取层和交易模型输出交易决策阶段，使用深度特征提取层提取到的特征和训练完的交易模型输出交易动作。本发明从模型的角度去考虑金融时间序列的多尺度特性以及不同时序之间的相关性，提高期货交易数据预测的准确性。

技术领域

本发明涉及一种基于多尺度自注意力的期货模型训练及交易实现方法，属于模型量化技术领域。

背景技术

量化投资作为一种投资方法论，具有纪律性、系统性、及时性和数量化等诸多优点。随着计算机技术的发展和大数据时代的到来，越来越多的人选择使用以计算机技术作为基石的量化投资方法来替代以往的主观投资方法，而各种量化投资基金也相继成立。近几年来，随着机器学习人工智能技术发展，也有越来越多的人尝试使用此类技术进行智能量化投资策略的构建。

目前基于深度学习的量化投资研究工作有很多，主要分为两部分：基于非深度学习的方法和基于深度学习的方法。其中基于非深度学习的方法主要是手工构造特征后，再通过非深度模型进行建模，例如使用线性回归、支持向量机和基于树的模型如随机森林、梯度提升树等。而深度模型方法主要是使用适当的数据预处理后，建立深度神经网络学习规律，例如卷积神经网络和循环神经网络等。

但是这些工作都没有从模型上考虑金融时间序列数据的多尺度特性以及不同时序数据之间的相关性信息。

发明内容

发明目的：目前有关深度学习量化金融模型的相关工作都没有从模型的角度去考虑金融时间序列数据的多尺度特性以及不同时序数据之间的相关性信息。针对这一问题，本发明了提出了一种基于多尺度自注意力的期货模型训练及交易实现方法，模型训练方法为：构建期货高频数据集；构建基于多尺度自注意力的深度特征提取层网络；训练深度特征提取层网络，学习高频金融数据的多尺度时序信息和不同时序之间的相关性信息，提取深度特征；之后构建自动化交易模型，利用前面提取深度特征作为输入，通过最大化夏普比率训练交易模型。交易实现方法为：在真实交易中，通过深度特征提取层和交易模型实时输出交易决策。该发明具有不依赖人工特征的特点；能弥补以往模型不能很好的获取高频数据多尺度的时序特征和不同时序之间的相关性特征的缺点，能自动化的提取这类时序特征，并且根据提取到的深度特征自动化地做出交易策略，准确率更高。

技术方案：一种基于多尺度自注意力的期货模型训练方法，包括对期货主力合约高频数据集的构建，基于多尺度自注意力的深度特征提取层的构建和训练，基于深度提取层得到的特征对交易模型的训练。

所述期货主力合约高频数据集的构建步骤如下：

步骤101，在获得的限价订单簿数据上去除非主力合约数据；主力合约为当前时段交易量最大的合约。

步骤102，计算未来K个时刻后的平均加权平均价变化百分比作为标签；

步骤103，对期货主力合约高频数据每一个时刻各个档位的价量数据进行预处理，并且对所有价量数据进行标准化。

所述基于多尺度自注意力的深度特征提取层采用横向纵向交替卷积的卷积网络层堆叠而成，横向卷积层主要对同一时刻高频数据中不同档位买卖价量进行特征提取，纵向卷积层主要使用多尺度提取模块在时序维度上对多尺度时序特征进行学习提取，多尺度提取模块主要将时序数据并行通过不同大小的一维卷积核之后进行拼接从而得到多尺度特征；横向卷积层和纵向卷积层交替三层；在卷积层之后跟随两层多头自注意力层用于学习不同时序的相关性特征；最后用一层长短时记忆(Long Short Term Memory，简称LSTM)网络和一层全连接层用于学习时序特征以及输出未来价格的变化预测值。