量化金融paper reading: 自监督学习在股票特征表示上的应用

最新推荐文章于 2024-10-14 19:26:45 发布

小马不会过河

最新推荐文章于 2024-10-14 19:26:45 发布

阅读量643

点赞数 27

文章标签：金融学习 django 数据库 sqlite gpt-3 langchain

本文链接：https://blog.csdn.net/m0_59163425/article/details/142219250

版权

刚刚今天看了一篇自监督学习在视觉领域的领域：[用前后不同的随机视频帧进行自监督学习]，很巧的是刚刚又看到了一篇文章在量化金融方面的应用，感觉想法很新颖，就写点笔记记录下：

文章来自韩国首尔大学和Oxford. 我觉得最重要的思想就是用LSTM模型进行模型参数的随时间变化的预测，而自监督学习负责学习股票的特征的表征(当然也是时间尺度上的)，通过俩者的结合来解决诸如data drift的问题。

PS: 只做核心的思想总结，具体细节可以在文章里面去看

基本的架构如下：

首先看下最右下角的module, 起其实这个Module 就是依据时间从过去到未来的顺序进行预测下个时间节点的模型 f的参数(也就是我么的feature map). 具体解释如下：

也就是说，我的理解是LSTM 就是根据domain f 的过去的参数变化，来进行学习从而可以预测未来f的参数变化的(这个说实话我第一次遇见有人这么做，之前很多人用meta learning 去做data drift的问题，这里用这种方法不知道work 不 work)。

OK, 那么自监督怎么做的呢？

作者选用依然从原始的时间序列数据当中去做数据处理(例如move average等)，也加了一些公司诸如财报信息特征，综合起来进行short-term feature和long-term feature综合处理。总之一切数据预处理做好后会经过一层Feature Tokenizer module 最终得到每只股票的token representation:

当我们得到上述的之后就进行正负样本的学习，基本的逻辑就是随机打乱token的顺序，打乱的幅度比较大的是负样本，打乱的幅度比较小的是正样本。然后通过下面公式进行正负样本对比学习的训练：

loss 函数如下：

在这里插入图片描述

总体而言，想法就是结合对比学习和LSTM进行预测 f函数的未来参数从而来解决concept drift的问题(没有试过，不确定这种方法work 不 work)。但是我觉得这种对比学习进行股票token representation学习的方法还是值得大家参考的！

实验结果如下(仅选取portfolio management 的例子)：

作者在做资产配比的实验，依然根据解MVO 优化方程进行，但是方法就是correlation matrix 用这里学出来的 SimStock matrix 代替：

我们发现在S&P 500 以及日本股市上面，用simstock学出来的stock representation进行建立的correlation matrix 结合MVO 优化函数进行接触对应的weight权重跟之前的方法进行比较,在不同volatility的情况下都有很有优势的return.

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述