基于深度学习的股价外因推断模型
发布时间：2022-06-25 17:45:32
背景介绍
随着财富增长，家庭资产的组合一般是基金、股票、保险、现金等，用来实现资产的保值增值功能，以及满足流动性需求。就股票来说，“初生牛犊不怕虎，一无所知是真虎”形容了想在股市暴富，实际羊入虎口的“不劳而获”心理，这也包括曾经的自己，须引以为戒。
股市有风险，但是股市也提供了可研究的素材，可供分析。尤其是想知道价格信息到底是否可靠：价格本身是否包含了足够的信息使得可以充分预测未来价格。而本模型就以这个问题作为出发点做了一次非线性近似模拟和分析。
模型介绍
假设：价格本身包含了足够的信息使得可以充分预测未来价格。那么这个意思就是说未来价格和之前的价格之间存在某种关系，用数学的语言来说，就是存在一个函数关系，满足
如果我们可以找到这个函数f，就可以预测未来的价格。但是这个函数是非线性的，不是一目了然能看出来的，也不是可以通过尝试就能随意试出来的，于是基于深度学习的非线性函数近似功能发挥了作用，为我们提供了一种近似手段。
假设我们通过深度学习的非线性近似找到了这个函数联系，然后能用来做什么呢？
（1）内因分析：在假设的前提下，给出未来价格的评估影响，价格可能升高，也可能降低。
（2）外因分析：如果发现实际和模型差距较大，说明有外因作用于价格，可供继续分析定位。
这里的外因是以相对的视角看待的，例如，如果价格和波动是内因，然后未知的其他因素就是外因；当某个外因被探测到之后，就会被归类于内因。
为什么要考察上面两个结果？因为当股票价格变化很大的时候，仅从表面现象，我们是无法区分出这种变化来源于价格或其他内因的变化，还是来源于外因的变化。如果无法正确归因，那么“对症下药”也是不可能了。
上面的考察也提供了如何区分内因和外因：当实际价格处于模型预测价格时，那么价格受内因影响，否则受外因影响。这其中的标准就是模型，如果模型错了，结果自然也会错。但是在该问题中，其实我们并不关心模型是否真的合理，我们只是主动选择了一个模型，然后以该模型为标准，给内因和外因做一个辨别，作为一种探查的手段。
总结就是：模型提供了区分内因和外因的判断标准。
模型效果
下表是训练好模型后，模型预测值和真实值之间的差距。（数据取自招商银行）
误差百分比来源于两部分，一个是价格自身的波动，一个是外因的驱动，这个界限从观察来看，认为日波动在2%以内还比较让人接受。
模型总结
首次尝试结合深度学习和股价分析，能这么做的理由是基于有效市场理论：所有的信息最终都会体现在价格上，也就是说价格本身已经包含了充分的信息。基于此，深度学习才有可能学习到价格中隐含的潜在规律。
从模型效果来看，虽然个别误差较大，但是直觉差异似乎还可以，至于能否用来区分内因外因，还要继续实验和观察。
从模型的应用来看，首先我们不应该依赖预测价格来做一些严肃的决策，但是可以允许预测价格给我们一个反馈：假如价格处在这个不理想的位置，我们要做什么。所以从应用来看，模型的其中一个功能是“打破不切实际的幻想”，从这一点来看，它还是有价值的。
深度学习模型学习心得
深度学习是一种万能非线性近似，使用它的一个好处就是不用各种特殊建模，虽然特殊建模能带来更加清晰的认识，能更助于发现相关和因果关系，可是很麻烦。本文也是首次尝试，在深度学习这一领域还没有深刻的认识，于是把深度学习模型的关键点记录下来，供以后查阅。模型仅是个人研究使用，可能会存在错误。
模型分层
为什么这样分层？没有指导，全凭感觉和实验反馈。输入训练样本shape=(4871,30,1)，含义：共有4871个训练样本，每个样本有30个时间步，每个时间步的特征数是1，即价格。本模型使用30天序列作为样本来预测下一期，每次只预测一期，因此是一个短期模型。
LSTM理解
整个循环神经网络组合成一个大网络，然后通过反向传播算法对整个大网络求梯度，因此这要求序列是有限的，否则梯度无法计算。遇到的其他问题：
（1）在建模中，总把序列中的单步网络看成是最终的网络模型，这是不对的，所有时间步组成的网络才是最终的网络，因此使用模型预测时，输入必须仍然是一个时间序列。
（2）模型的训练样本必须符合神经网络指定的数据结构，例如输入shape=(4871,30,1)。在把CSV文件转换成对应的数据结构时，由于对神经网络结构的错误认识（单步网络：错误，组合网络：正确），导致花费了不少功夫调研应把什么样的数据结构喂给网络模型。
上一篇：如何做好家庭资产配置？