高频订单流时序成像及CNN预测

文章来源于公众号：Logan投资

往期文章精选

高频因子--tick级别订单流因子计算(附代码)

RSRS择时指标的150倍计算加速(有代码)

二级：最近思考的量化指标再挖掘

二级：手搓的择时指增

一级：新能源汽车部件--CCS集成母排投研

一级：轮胎行业的研究

最近在交流群里跟大家交流了一下关于时序成像再做机器学习预测的方法。主要讨论的是最近一个星期新出的一篇论文，主要是去使用Limit Order Book订单薄(LOB)数据转换为二维矩阵表示的标准图像，再用卷积神经网络CNN去进行预测中间价。

图片来源：《Short-term stock price trend prediction with imaging high frequency limit order book data》

在过去修大成老师就已经在Journal of Finance期刊发表的文章《(Re‐)Imag(in)ing Price Trends》中发现了，2维的CNN比1维的CNN预测结果要更好，稳健性鲁棒性更好。主要是将传统K线图重新构造成包含下图的图像数据来跑CNN预测。

图片来源：(Re‐)Imag(in)ing Price Trends

紧接着国金证券就用了这个方法去做了行业轮动，具体策略效果如下图。公众号后台回复对应内容即可拿到时序成像的代码方便复现这篇研报。

图片来源：2024-06-25_国金证券_Beta猎手系列之十：个股K线图形态AI识别构建市场风格预测

而在上一周，中国科技大学管理学院的人就在International Journal of Forecasting期刊上发表了论文，基于修大成老师的思想，用LOB数据而不是K线图数据来做时序转换。下图为文中使用该方法做的策略回测收益曲线，左图是002460股票收盘价上3个策略产生的多空信号，右图是基于3个策略的信号生成的回测收益曲线。

图片来源：《Short-term stock price trend prediction with imaging high frequency limit order book data》

如果是这种做法的话，完全能尝试一下其他的时序成像转化来预测，比如用技术指标呀，其他因子呀等等，虽然有点堆砌的感觉。

回头可以尝试一下复现。而修大成老师的文章有代码复现了，这方面必须感谢我的师弟！！有需要的朋友可以在公众号后台回复“20240713”即可，我会连同论文pdf一起发过来。当然，这些都已经先跟交流群里的朋友分享过了，想要最新的咨询可以进群交流。

未来研究一：尝试复现时序成像的论文研究

未来研究二：打造适用于Veighna的完整版miniqmt的gateway接口。

目前的miniqmt打造的gateway还不能够进行融资融券买卖，xtquant的其他功能也得加进去，而且还得再写一套基于miniqmt账户信息返回函数的账户分析代码，以前用pyechart写过一版，应该问题不大。