最近的资源汇总220919
开题方向指向了强化学习
-
个人觉得,高频干不来图卷积。图卷积的信号有效期是日频上的,信息在股票间的传导没那么快。
-
用微软的Qlib平台做科研,效率杠杠滴。上面也有高频的数据集和baseline。
-
预测方向的东西,比如说optiver的模型。(kaggle)
-
高频课题组重点研究的论文:
Fodra, Pietro, and Mauricio Labadie. “High-frequency market-making with inventory constraints and directional bets.” arXiv preprint arXiv:1206.4810 (2012).
Avellaneda, Marco and Sasha Stoikov. “High-frequency trading in a limit order book.” Quantitative Finance 8 (2008): 217 - 224.
Stoikov, Sasha. “The micro-price: a high-frequency estimator of future prices.” Quantitative Finance 18.12 (2018): 1959-1966.
-
强化学习高频做市课题组推荐论文:
Kumar, Pankaj. “Deep reinforcement learning for market making.” Proceedings of the 19th International Conference on Autonomous Agents and MultiAgent Systems. 2020.
Spooner, Thomas, et al. “Market making via reinforcement learning.” arXiv preprint arXiv:1804.04216 (2018).
-
从各种金工的研报中找到科研的思路和可以借鉴的方法。
-
给一个公式里面,用深度学习模型来取代一个参数
-
这是一个代码仓库。https://github.com/deependersingla/deep_trader
-
https://github.com/im1235/ISAC 这是什么呢?
具体来说,就是用强化学习算法实现HFT论文中的高频策略。
存货-软-行动家批评家(ISAC)是Avellaneda和Stoikov[1]描述的存货策略的一种实验性扩展。[1]中描述的数值模拟具有任意配置的风险规避参数gamma。ISAC使用软actor critic (SAC)[2]来控制gamma。二维状态空间定义为库存q和剩余时间的绝对值(总时间-步长* dt),一维作用空间定义为gamma。奖励被定义为通过惩罚函数折现的代理人价值(PL)的变化。惩罚与存货按市值计价的波动率成正比。
策略在2000条模拟价格路径上进行训练,每条路径包含200步。根据库存和对称策略,对2000条模拟路径进行了基准测试。模拟设置与[1]中描述的相同。库存和对称策略将伽马配置为0.1,因为这样的设置可以在给定的模拟设置下产生最有吸引力的损益剖面。 -
AS模型的话,有一个拿来干crypto的: https://github.com/hello2all/gamma-ray
-
时间序列预测模型闭坑总结: https://mp.weixin.qq.com/s/Ce_TZNzowZEiSHs9G7Gc1Q
-
帮别人下的一些论文:
Raudys, Šarunas, and Aistis Raudys. “High frequency trading portfolio optimisation: Integration of financial and human factors.” 2011 11th International Conference on Intelligent Systems Design and Applications. IEEE, 2011.
Leippold, Markus, Qian Wang, and Wenyu Zhou. “Machine learning in the Chinese stock market.” Journal of Financial Economics 145.2 (2022): 64-82.
Liu, Weimin. “A liquidity-augmented capital asset pricing model.” Journal of financial Economics 82.3 (2006): 631-671.
-
21秋的课程汇总。https://github.com/Alphonse-7/Practice-of-the-FinTech-Projects-2021A
-
华泰金工的一些关于图神经网络的一些研报,以及 后面附带的参考文献 可以好好看看!!!