价格时序预测-LSTM

LSTM原理

LSTM是一种有监督神经网络。在普通的RNN模块里增加一个“短期记忆”模块，使得神经网络能够对基于“很久之前”曾经看到过并重复出现的“时域特征片段”作出预测上的修正。一个简单的应用是利用文本里的相距比较远的“上下文”作更好的文本分析。

LSTM是最新的受到广泛应用的有监督神经网络之一。

LSTM基本使用原理

(以下的表述基于Keras里的LSTM layer)

• 一个Episode里的收敛性&Overfitting(Underfitting)可以用Valiation Data Set来检查。在fit时，指定一个1/3的validation_split。
• 网络的表达能力（层数&每层节点数）需要和数据量匹配，否则非常容易出现Overfitting。LSTM的“表达能力”非常出众。同时还要用Dropout来控制LSTM疯狂的表达能力。

Pseudo Trading

回测中需要有个交易规则。我使用的是相邻两个Candle的Close Price，p0, p1，其中p1是预测的未来价格。如果p1>p0，则buy@p0，并且在下一个时刻sell@p1*，其中p1*是真实价格。反之如是。

忽略所有滑点和手续费。

Keras LSTM Layer使用结果

单层LSTM，128个节点，使用MinMaxScaler, Early-exit, Dropout。模型越简单越好。数据为5分钟BTC/USD交易历史数据，提取OHLCV以及ATR等一共9个Features作为LSTM输入，输出为价格。注意，Deep Learning （DL）本身是随机算法，所以即使是in-sample回测，也是有随机性。但是，In-sample的 Agg. Returns明显是too good to be true，不可能是真实交易。

从Out-of-Sample结果看，LSTM训练的模型是有能力beat the market的。在统计套利方面，还是有很强的实用性。LSTM很适合小资金投资者使用，因为成本很低，结果不错。

为LSTM提供数据时，要考虑Feature的选择，比如BTC这样几乎就是没有基本面，完全是动量交易驱动，那么选择的Feature可以很简单，比如ATR，EMA等等常用的指标都很有效。但是，如果交易 APPL或者GOOG，那就需要其他Reference数据，因为这些大公司的股价对基本面数据是有很强的依赖。

同时，数据的时间尺度也要考虑。5分钟的波动有可能无法cover taker手续费，所以可以考虑小时级别的交易，或者等待波动大的时候开启交易。

In-Sample结果

Out-of-Sample结果

只展示两个时间段作为示范。其中第一个时间段跑了两次回测，展示出算法的随机性。使用时需要考虑是否要voting algo的“加持”。

【待续】