استراتژی معاملاتی جفت آگاهی ساختاری با استفاده از یادگیری تقویت عمیق

تجارت جفت با توجه به گسترش سهام زوج در یک رابطه ادغام پایدار ، یک استراتژی داوری آماری مؤثر است. با این وجود ، تغییرات سریع بازار ممکن است رابطه (یعنی شکست ساختاری) را بشکند ، که بیشتر منجر به ضرر چشمگیر در تجارت داخل کشور می شود. در این مقاله ، ما با استفاده از تکنیک های یادگیری ماشین ، یک چارچوب بهینه سازی استراتژی تجارت دو فاز ، یعنی استراتژی معاملات جفت آگاهی از ساختاری (SAPT) را طراحی می کنیم. فاز اول یک مدل ترکیبی است که ویژگی های فرکانس و دامنه زمان را برای تشخیص استراحت ساختاری استخراج می کند. فاز دوم استراتژی معاملات جفت را با سنجش خطرات مهم ، از جمله وقفه های ساختاری و خطرات بسته بندی بازار ، با یک مدل یادگیری تقویت کننده جدید بهینه می کند. علاوه بر این ، هزینه معاملات در یک هدف آگاهانه هزینه می شود تا از کاهش قابل توجه سودآوری جلوگیری شود. SAPT از طریق آزمایش های در مقیاس بزرگ در مجموعه داده های واقعی بازار سهام تایوان ، به ترتیب از نظر سود و نسبت سود و نسبت سرتینو به ترتیب از استراتژی های پیشرفته برخوردار است.

روی نسخه خطی کار می کنید؟

معرفی

با پیشرفت تکنیک های ارتباطی ، انتشار اطلاعات سریعتر از گذشته می شود ، این بدان معناست که عوامل بیرونی بیشتر ، مانند اخبار ، می توانند بر بازارهای مالی در زمان واقعی تأثیر بگذارند تا نوسانات بازارهای مالی را افزایش داده و باعث ریسک های سرمایه گذاری بالایی شود. برای سرمایه گذاران ، تصرف فرصت برای سود و در نظر گرفتن ریسک سرمایه گذاری برای بازده پایدار در همان زمان دشوار می شود. برای دستیابی به چنین اهدافی ، مفهوم تجارت جفت ، یک استراتژی تجارت داوری آماری ، [35] ارائه شده و به طور گسترده در چندین بازار مالی استفاده می شود [5 ، 37 ، 64].

کارشناسان مالی دریافتند که گسترش قیمت برخی از جفت ابزارهای مالی (یعنی تفاوت بین قیمت آنها) همیشه در یک رابطه بلند مدت پایدار است. علاوه بر این ، استراتژی های معاملاتی جفت برای بهره برداری از این روابط پایدار به عنوان فرصت های داوری (که بعداً به تفصیل) ساخته شده است. تعاریف مختلف از جفت های معنی دار سپس ارائه می شود ، مانند فاصله [27 ، 35] ، مبتنی بر همبستگی [14 ، 34] ، مبتنی بر تصادفی [56 ، 58] و مبتنی بر سری زمان [16 ، 21]. در این مقاله ، ما بر روی پاورقی معاملات جفت مبتنی بر جفت مبتنی بر تمرکز 1 تمرکز می کنیم زیرا اثبات شده است که گسترش یک جفت مبتنی بر همبستگی از نظر اقتصادی قابل اطمینان تر است [52 ، 66].

شکل 1 قیمت سهام شرکت Macronix Inteational Co. ، Ltd (2337. TW) و Winbond Electronics Corp (2344. TW) را در بورس تایوان در 3 ژانویه 2020 نشان می دهد. هر دوی آنها محصولات مربوط به درام را تولید می کنند و رابطه ادغام قیمت آنها توسط [28] تأیید می شود. گسترش نرمال شده توسط نمره z بیشتر در شکل 2 نشان داده شده است ، جایی که منطقه خاکستری دوره تشکیل برای آزمایش اینکه آیا آنها رابطه ادغام دارند ، نشان داده است.

در سناریوی معاملات جفت ، تجارت ، متشکل از یک کوتاه و یک طولانی ، هنگامی که یک فرصت داوری رخ می دهد باز می شود. تا زمانی که گسترش به میانگین تاریخی آن برگردد ، تجارت با انجام اقدامات مخالف بسته می شود. به عنوان مثال ، در شکل 2 ، سرمایه گذاران باید سهام 2337. TW و سهام طولانی 2344. TW را در دقیقه 177 و در دقیقه 191 با اشتیاق سهام 2337. TW و سهام کوتاه 2344. TW قرار دهند. به طور خاص ، در معاملات جفت ، یک جفت مرز معاملاتی (خطوط شکسته سبز) وجود دارد ، تا در حالی که گسترش آن را لمس می کند ، معاملات را انجام دهد. هنگامی که گسترش به میانگین تاریخی (خط جامد قرمز) باز می گردد ، به تجارت توصیه می شود که موقعیت را برای کسب سود ببندد. در نتیجه ، مناطق زرد ، محدود به این سه خط ، فرصت های داوری هستند.

با این حال ، گسترش ممکن است خیلی دور از میانگین تاریخی به طور غیر منتظره باشد. برای جلوگیری از ضرر بزرگ ناشی از واگرایی ، سرمایه گذاران یک جفت مرز متوقف شده را تنظیم می کنند (خطوط شکسته بنفش در شکل 2) ، که از مرزهای تجاری گسترده تر است ، برای مجبور کردن تجارت برای بستن موقعیت. از طرف دیگر ، اگر تجارت باز شود اما گسترش تا مهلت مهلت به میانگین تاریخی برنگردد ، تجارت مجبور می شود موقعیت را نیز ببندد ، به نام خروج. به عنوان مثال ، در معاملات داخلی ، مهلت به زمان بسته شدن روز تعیین می شود. به طور کلی ، پس از وقوع از بین رفتن یا خروج ، آنها معمولاً منجر به بازگشت منفی می شوند [50]. به طور کلی ، رفتار معاملات زوج ها جبران ریسک سیستماتیک با موقعیت دو دارایی مختلف است. بنابراین ، آن را به عنوان یک استراتژی معاملاتی خنثی در بازار با توانایی محافظت خوب در نظر گرفته شده است [35].

قیمت سهام 2337. TW و 2344. TW

نمونه ای از گسترش عادی سهام زوج

به منظور بهینه سازی استراتژی های معاملات جفت بسته به موقعیت های باز و نزدیک ، تعیین مرزهای معاملاتی و توقف از دست دادن بسیار مهم است. اگر شکاف بین مرزهای تجاری باریک باشد ، داوری کم است و از این رو می توان سود کمی کسب کرد. علاوه بر این ، سود کمی می تواند با هزینه های معامله مانند مالیات معامله و هزینه ها مصرف شود. در مقابل ، اگر بیش از حد گسترده باشد ، این استراتژی ها نه تنها می توانند چندین فرصت داوری جزئی را از دست بدهند بلکه خطر ضرر بزرگ را نیز افزایش می دهند. به عنوان مثال ، در شکل 2 ، اگر مرزهای معاملاتی روی ( pm 2 ) تنظیم شود ، بازده کمتر از مرزهای ( pm 3 ) است. در مقابل ، اگرچه تنظیم مرزها به ( PM 4 ) می تواند در اولین فرصت داوری سود بیشتری ایجاد کند ، اما فرصت داوری دوم از دست رفته است زیرا قیمت سهام با مرز تجارت مطابقت ندارد. به طور کلی ، اعتراض به تعادل خوب بین فرصت های داوری و کنترل ریسک ضمن یادگیری تجارت بهینه شده و مرزهای متوقف کردن ، چالش برانگیز است اما لازم است.

نمونه ای از استراحت ساختاری

برای به دست آوردن فرصت های داوری در معاملات داخل کشور ، شهود ما طراحی استراتژی های معاملاتی جفت های جدید در مقیاس ریز دانه (به عنوان مثال ، مقیاس دقیقه) از داده های کنه است. توجه داشته باشید که بیشتر استراتژی های تجارت جفت موجود [35 ، 50 ، 66] برای داده های روزانه طراحی شده اند که در آن گسترش ها معمولاً پایدار و تعادل بلند مدت هستند. در حالی که بازار سهام به راحتی تحت تأثیر برخی از عوامل خارجی (به عنوان مثال ، اخبار و سیاست های دولت) در زمان واقعی قرار می گیرد [42] ، ممکن است فرصت های داوری را در معاملات داخل کشور از دست بدهند. از طرف دیگر ، رابطه ادغام گسترش به دلیل حساسیت زیاد در داده های کنه بسیار ضعیف تر است [42]. خطر ، یعنی شکستگی ساختاری ، که این گسترش می تواند از میانگین تاریخی نیز محو شود ، افزایش می یابد ، که در صورت عدم بازگشت ، باعث از بین رفتن چشمگیر می شود. ناحیه سایه دار صورتی در شکل 3 نمونه ای از یک استراحت ساختاری را نشان می دهد. از دقیقه 173 ، که یک نقطه شکست است ، گسترش سهام 1303. TW و 1319. TW به طرز چشمگیری افزایش می یابد و از این رو ، رابطه همبستگی از بین می رود. اگر استراتژی در هنگام وقوع یک نقطه شکست ، موقعیت را ببندد ، ممکن است از ضرر بزرگی رنج ببرد. به عنوان مثال ، 16. 2 ٪ از معاملات انجام شده توسط یک روش پیشرفته PTDQN [50] در مجموعه داده های بازار سهام تایوان ما مجبور به خروج در پایان دوره معاملات می شوند زیرا PTDQN در طول استراحت ساختاری مواضع عاقلانه ای ندارد(بعداً مفصل). بنابراین ، این سرمایه گذاری ها در شرایط ریسک پذیر قرار می گیرند و 89. 5 ٪ از این معاملات ریسک پذیر با سود منفی نزدیک هستند. در نتیجه ، تشخیص استراحت ساختاری برای معاملات جفت ها مهم است ، اما استراتژی های معاملات جفت موجود [35 ، 50 ، 66] به ندرت در وقفه های ساختاری برای جلوگیری از ضرر زیاد.

برای تشخیص استراحت ساختاری ، روشهای پیشرفته ، مانند تست تقویت شده دیکی-مولفر [25] و آزمون چو [20] ، برای معاینات آماری به داده های بی شماری نیاز دارند. علاوه بر این ، آنها برای تشخیص آنلاین کاربرد ندارند. از طرف دیگر ، در زمینه تشخیص ناهنجاری ، تشخیص نقطه تغییر مبتنی بر نسبت و مبتنی بر احتمال [1] تغییرات الگوی ناگهانی و چشمگیر در داده های سری زمانی را مشخص می کند. با این حال ، شکستگی های ساختاری ممکن است در گسترش آهسته در حال تغییر باشد ، که باعث می شود آنها برای روش های تشخیص نقطه تغییر غیر قابل کشف باشند [4 ، 83]. برای این منظور ، ما می دانیم که یک نیاز فوری به طراحی یک روش مؤثر در تشخیص ساختاری شکستگی برای بهبود استراتژی معاملات جفت وجود دارد.

در این مقاله ، ما یک چارچوب دو فاز ، یعنی استراتژی معاملاتی جفت آگاهی از ساختاری (SAPT) را پیشنهاد می کنیم تا موضوعات فوق را برطرف کنیم. جزئیات این دو مرحله در زیر ذکر شده است.

فاز 1: تشخیص شکست ساختاری. با توجه به یک جفت جمع شده از سهام ، توالی قیمت سهام قبلی آنها و قیمت سهام فعلی آنها ، هدف این است که احتمال وقوع یک وقفه ساختاری در زمان فعلی را تخمین بزنیم. با الهام از آثار اخیر در مورد تجزیه و تحلیل داده های سری زمانی [23 ، 65 ، 85 ، 87] ، ترکیب دامنه زمان و ویژگی های فرکانس دامنه می تواند پیشرفت چشمگیری داشته باشد ، در مقایسه با تنها در نظر گرفتن هر یک از آنها. شایان ذکر است که علاوه بر ویژگی های دامنه زمانی ، اطلاعات دامنه فرکانس استخراج شده توسط تبدیل فوریه یا تبدیل موجک برای تجزیه و تحلیل داده های سری زمانی مؤثر است [10 ، 65]. به طور خاص ، داده های مالی معمولاً از الگوهای بازار چند فرکانس نهفته ، مانند رفتارهای فصلی ، که می توان با تجزیه و تحلیل ویژگی های دامنه فرکانس استخراج کرد [8 ، 85 ، 87]. بنابراین ، ما Pread w avele t-a Hybrid را پیشنهاد می کنیمخالصکار (SWANET) برای استخراج مشترک ویژگی های دامنه فرکانس از گسترش و ویژگی های دامنه زمان با یک شبکه عصبی مداوم موجک موجک (CNN) و یک حافظه کوتاه مدت بلند (LSTM). از طریق ترکیب دو جنبه مختلف ، Swanet بهتر از رویکردهای آماری ، مانند مدل متوسط متحرک یکپارچه خودکار (ARIMA) ، غیرخطی و پیچیدگی در داده های سهام را انجام می دهد. از طریق SWANET ، احتمال پیش بینی شکست ساختاری را می توان به دست آورد و به عنوان یکی از ویژگی های خطر برای بهینه سازی معاملات بیشتر به مرحله بعدی منتقل شد.

فاز 2: بهینه سازی استراتژی معاملات جفت. با توجه به یک جفت سهام یکپارچه ، توالی قیمت سهام قبلی آنها ، احتمال وقوع شکستگی ساختاری از فاز 1 و هزینه معامله تعریف شده توسط بازارها ، هدف این مرحله تصمیم گیری مشترک در مورد سهام معاملات (یعنی مبلغ معاملات) استدر هر زمان بندی ، تجارت و مرزهای متوقف شده. علاوه بر این ، ما استدلال می کنیم که کنترل ریسک ، از جمله وقفه های ساختاری و خطرات بسته بندی بازار ، در سناریوی معاملاتی پر سر و صدایی مهم است. با این وجود ، ادبیات قبلی [30 ، 70] نتواند آنها را مورد توجه قرار دهد. در نتیجه ، ما یک رمان Deep Q-Network S Brea k-A Ware D Eep پیشنهاد می کنیمQ-کار (SADQN) با عملکرد عینی هزینه آگاهانه معامله و تعاریف آگاه از ریسک از حالت ها و پاداش ها. در نتیجه ، SADQN نه تنها سود بلکه آگاهی از خطرات را نیز در بر می گیرد.

برای ارزیابی ها ، ما یک مجموعه داده در مقیاس بزرگ جمع آوری شده از 150 شرکت برتر در شاخص سهام وزنه برداری بورس اوراق بهادار تایوان (TAIEX) از اول نوامبر 2017 تا 31 مه 2020 انجام می دهیم.-روش تشخیص شکستگی ساختاری 30. 4 ٪ از نظر میزان از دست رفته. برای استراتژی معاملاتی جفت ، در مقایسه با روشهای بهینه سازی استراتژی معاملاتی جفت های پیشرفته ، SADQN به ترتیب 456 ٪ از سود و 934 ٪ نسبت Sortino را به ترتیب کنترل ریسک افزایش می دهد. سهم اصلی این مقاله به شرح زیر است:

به بهترین دانش ما ، در حوزه یادگیری ماشین ، ما اولین کسی هستیم که نیاز فوری توسعه استراتژی معاملات جفت را با تشخیص شکستگی ساختاری در سناریوی معاملات داخل کشور شناسایی می کنیم.

ما یک روش جدید تشخیص شکستگی ساختاری را پیشنهاد می کنیم ، که هم ویژگی های دامنه فرکانس و هم دامنه زمان را در نظر می گیرد تا نقاط شکست جفت های همبسته را به طور کارآمد تشخیص دهد.

ما یک SADQN جدید شبکه Q جدید را طراحی می کنیم که در وقفه های ساختاری ، خطرات بسته بندی بازار و هزینه های معامله برای بهینه سازی استراتژی معاملات جفت.

ما برای آزمایش ها داده های کنه در مقیاس بزرگ را از بازار سهام تایوان جمع می کنیم. نتایج نشان می دهد که راه حل های ما از روشهای پیشرفته به طور قابل توجهی بهتر است.

بقیه این مقاله به شرح زیر سازماندهی شده است. آثار مرتبط در فرقه مقایسه می شوند. 2. ما به بررسی پیشینه استراتژی معاملات جفت و چارچوب پیشنهادی SAPT در Sect می پردازیم. 3. جزئیات مدل های ما Swanet و Sadqn به ترتیب در فرقه ها ارائه شده است. 4 و 5. سرانجام ، فرقه. 6 نتایج آزمایشی و فرقه را نشان می دهد. 7 این مقاله را نتیجه می گیرد.

کار مرتبط

تشخیص شکستن ساختاری

روشهای آماری برای تشخیص شکستگی ساختاری

روشهای آماری [20 ، 25] به طور کلی برای آزمایش ثابت بودن یک سری زمانی استفاده می شود. آزمون افزودنی دیکی-مولفر (ADF) [25] ایده "ریشه واحد" را قرض گرفت ، که این شرط را توصیف می کند که یک پیاده روی تصادفی از یک سری زمانی نمی تواند با یک مدل آماری خطی مناسب باشد [88] ، برای شناسایی داده های غیر ثابت وسپس آن را به عنوان یک استراحت ساختاری گزارش داد. آزمون چو [20] بررسی کرد که آیا ضرایب در دو رگرسیون خطی از دو دنبال کننده ، که به ترتیب از یک سری زمانی قبل و بعد از یک نقطه خاص استخراج می شوند ، برابر هستند و اگر نه ، به عنوان یک استراحت ساختاری گزارش می شوند. این روشها برای مقابله با تنوع زیاد در معاملات داخل کشور بسیار حساس هستند. علاوه بر این ، آنها برای برآورده کردن فوری تشخیص شکستگی ساختاری مشکل دارند زیرا برای به دست آوردن نتایج قابل اعتماد در طول آزمایش به داده های عظیمی نیاز دارند.

تشخیص نقطه تغییر

هدف از تشخیص نقطه تغییر ، شناسایی مکانهایی است که در آن سوئیچ های الگوی یا تغییر ناگهانی در داده های سری زمانی اتفاق می افتد. این مورد در طیف گسترده ای از حوزه های کاربردی در دنیای واقعی [3 ، 18 ، 83] ، به عنوان مثال ، تشخیص تغییرات آب و هوا و تشخیص گفتار اعمال شده است. آدامز و همکاران.[1] با مراجعه به احتمال نقاط داده های اخیر ، احتمال بیزی را در مورد چگونگی امکان یک نقطه داده به یک نقطه تغییر تبدیل می کند. کانگ و همکاران.[46] ابتدا ویژگی هایی را از سری زمانی توسط Fourier Transform استخراج کرده و سپس از خوشه بندی بردار وکتور مورد بهره برداری قرار گرفت تا نقاط تغییر را که با گذشت زمان خوشه ها را تغییر می دهند ، تشخیص دهد. با این وجود ، روشهای فوق ممکن است نوسانات ناگهانی در بازارهای سهام را به عنوان نقاط شکست طبقه بندی کند ، به گونه ای که بسیاری از فرصت های داوری از دست می روند.

استراتژی تجارت جفت

تجارت جفت

معاملات جفت یک استراتژی معاملاتی بی طرف بازار است که از دهه 1980 به طور گسترده ای مورد استفاده قرار گرفته است [35]. با ساخت یک جفت دو سهام ، معاملات جفت می تواند ریسک سیستماتیک ، به ویژه در بازار بی ثبات را جبران کند و با توانایی محافظت عالی سود کسب کند. گیتو و همکاران.[35] ثابت کرد که میانگین بازده اضافی سالانه توسط داده های سهام روزانه ایالات متحده از سال 1962 تا 2002 می تواند با استفاده از استراتژی معاملاتی جفت ساده به 11 ٪ ارتقا یابد. انواع مختلفی از رویکرد برای تجارت جفت وجود دارد [52]. به عنوان مثال ، گیتو و همکاران.[35] و DO و FAFF [27] از معیارهای فاصله برای یافتن جفت سهام که قیمت آنها با هم حرکت می کند استفاده کرد. برخی از مطالعات [14 ، 34] این جفت ها را با رابطه همبستگی نشان دادند ، و برخی [56 ، 58] گسترش قیمت سهام زوج را با فرآیند اورنشتای ن-اولنبک مدل کردند. از آنجا که برخی از مطالعات نشان داده اند که روش ادغام بازده بیش از حد پایدارتر و قوی تر ایجاد کرده است [52 ، 66] ، در این مقاله ، ما با تأیید رابطه ادغام بین دو سهام برای معاملات بیشتر ، سهام زوجی را می یابیم. با این حال ، همانطور که بیشتر مطالعات [14 ، 34] در بالا بر شناسایی سهام زوج متمرکز شده و نتیجه را با روش های اساسی مانند انحراف استاندارد استاتیک به عنوان مرزهای باز و متوقف کردن از دست می دهد. در این مقاله ، ما بر نحوه تصمیم گیری در مورد مرزهای باز و متوقف کردن از دست دادن به صورت پویا برای ایجاد معاملات در معاملات جفت تمرکز می کنیم.

یادگیری عمیق برای امور مالی

با توجه به پیچیدگی بازارهای مالی ، ویژگی های غیرخطی قیمت سهام ممکن است فرضیات آماری را برآورده نکند [88]. برای این منظور ، از شبکه های عصبی عمیق برای پیش بینی قیمت سهام یا تشخیص خارج از کشور امروزه استفاده شده است [24 ، 82 ، 85 ، 87]. چن و همکاران.[19] Filterbank CNN را در معاملات جفت های فرکانس بالا برای استخراج اطلاعات نوسانات تاریخی بلند مدت و کوتاه مدت ساخت و از این رو از استراتژی های مبتنی بر قانون در آینده شاخص سهام تایوان و آینده های مینی شاخص بهتر عمل کرد. ژانگ و همکاران.[86] پیشنهاد داد تا ویژگی های کتابهای محدود را با CNN استخراج کند تا قدرت پیشنهاد را بیاموزد و سپس روند بورس اوراق بهادار لندن را با LSTM پیش بینی کند. مطالعات متعددی [8 ، 24] با استفاده از شبکه های عصبی برای کاهش تأثیر سر و صدا و عدم اطمینان ، استحکام را بهبود بخشید.

به طور خاص، مدل های یادگیری تقویتی عملکرد بسیار خوبی در بهینه سازی تصمیمات تجاری در حوزه مالی نشان داده اند [13، 24، 30، 50]. به عنوان مثال، بسیاری از کاربردهای معاملات مالی مبتنی بر یادگیری تقویتی بر تصمیم گیری معاملاتی یک سهم در هر مهر زمانی تمرکز دارند [24، 55، 57]. برای تجارت جفت، فلاح پوت و همکاران.[30] اولین تلاش را برای اتخاذ یک مدل کلاسیک یادگیری Q انجام داد. کیم و همکاران[50] علاوه بر این، شبکه Q-عمیق معاملاتی جفتی (PTDQN) را پیشنهاد کرد که از یک مدل یادگیری عمیق Q معمولی برای انتخاب پویا مرزهای باز و توقف ضرر در طول زمان استفاده می کرد. روش های فوق برای داده های روزانه طراحی شده اند و سهام را برای مدت طولانی نگه می دارند که در آن اسپردهایی که پیدا می کنند در تعادلی پایدار و بلندمدت هستند. با این وجود، در عمل، ثابت بودن سهام جفت شده در معاملات روزانه در نوسان است، به ویژه زمانی که زمان بسته شدن بازار نزدیک است. توجه داشته باشید که در محیط نوسان معاملات درون روزی سودآورتر، اما ریسک پذیرتر است. علاوه بر این، این روش ها در هزینه تراکنش به حساب نمی آیند، که ممکن است به راحتی سود را در طول آموزش کاهش دهد. برای ایجاد تعادل خوبی بین سودآوری، ریسک ها و هزینه معامله در سناریوی معاملات روزانه، ما یک مدل یادگیری تقویتی جدید SADQN را پیشنهاد می کنیم، که در آن شکست های ساختاری، ریسک بسته شدن بازار و هزینه معامله همه در نظر گرفته می شوند.

بررسی اجمالی

ابتدا به طور مختصر دانش پیشینه رابطه هم انباشتگی را در بخش معرفی می کنیم. 3. 1. بررسی اجمالی چارچوب پیشنهادی ساختاری آگاهانهpاستراتژی معاملاتی هوا (SAPT) در ادامه در بخش ارائه شده است. 3. 2.

برای وضوح ارائه، در این مقاله، حروف کوچک غیر پررنگ (مثلا x) و حروف بزرگ غیر پررنگ (مثلا X) به ترتیب نشانگر اسکالرها و مجموعه ها هستند. حروف بزرگ پررنگ (به عنوان مثال، (<mathbf >) ) و حروف کوچک پررنگ (به عنوان مثال، (<mathbf >) ) به ترتیب ماتریس و بردار را نشان می دهند.

رابطه ثابت و هم انباشتگی

در امور مالی [6، 49، 77] و مطالعات سری زمانی [36، 38، 62]، یک سری زمانی "ایستا" است اگر (1) انتظار سری در طول زمان ثابت باشد، (2) واریانسسری در طول زمان یک ثابت است و (3) کوواریانس خودکار سری دو مهر زمانی فقط به مقدار تاخیر بستگی دارد. به عبارت دیگر، یک سری زمانی ثابت است که در طول زمان بسیار پایدار باشد. توجه داشته باشید که در بازارهای سهام، سهام غیر ثابت سود بیشتری نسبت به سهام ثابت دارند، زیرا قیمت سهام اولی ممکن است بالقوه بیشتری افزایش یابد.

با این حال ، سهام غیر ثابت باید خطرات بیشتری از فروپاشی قیمت داشته باشد. به منظور مقابله با سودآوری و کنترل ریسک ، کارشناسان مالی استراتژی معاملات جفت را بر اساس رابطه همبستگی پیشنهاد می کنند [29] ، که به طور خطی دو سهام غیر ثابت را در یک سری زمانی ثابت ترکیب می کند. در میان ادبیات روابط ادغام [29] ، در این مقاله ، ما مدل تصحیح خطای بردار (VECM) [14 ، 30] را اتخاذ می کنیم تا جفت های همبسته سهام را با تست های آماری استخراج کنیم. سرانجام ، گسترش یک جفت همبسته متشکل از ( text _i ) و ( text _j ) در timestamp t ، که به عنوان ( text ^t_ ) گفته می شود ، به شرح زیر است:

که در آن (p_ ) و (p_ ) قیمت سهام ( text _i ) و ( text _j ) را در t نشان می دهد. (h_i ) و (h_j ) ، که به ترتیب توسط VECM تعیین می شوند ، به ترتیب ، وزنه ها ( text _i ) و ( text _j ). در نتیجه ، ( text ^t_ ) تفاوت قیمت سهام وزنی بین ( text _i ) و ( text _j ) است. شایان ذکر است که ، در استراتژی معاملاتی جفت ، نسبت مبلغ معاملات ( text _i ) و ( text _j ) به ( frac ) تنظیم می شود تا روابط همگرایی پس از تجارت حفظ شود. ساخته شده

معماری Sapt

نمای کلی از SAPT

برای تسهیل استراتژی معاملاتی جفت های آگاهی از ساختاری ، دو وظیفه اصلی این است که: (1) تشخیص استراحت ساختاری در دوره های معاملاتی و (2) تعیین خط مشی معاملات با اطلاعات ریسک و هزینه معاملات. منطقه سایه آبی در شکل 4 معماری چارچوب یادگیری ماشین دو فاز پیشنهادی را نشان می دهدsشکست ساختاری-aجفتtاستراتژی رادینگ (SAPT). سوستان فاز اول (مستطیل سبز) احتمال وقوع شکستگی های ساختاری را با یک مدل ترکیبی که از ویژگی های زمان و فرکانس دامنه یاد می گیرد ، تخمین می زند. SADQN فاز دوم (مستطیل زرد) تنظیم مرزها (از جمله مرزهای معاملاتی و توقف از دست دادن) را به مرور زمان به صورت پویا با یک مدل یادگیری تقویت کننده جدید تعیین می کند ، جایی که یک هدف آگاهانه از هزینه و یک محیط آگاه از ریسک گنجانیده شده استبشرجزئیات Swanet و Sadqn به طور رسمی در فرقه ها معرفی می شوند. به ترتیب 4 و 5.

تشخیص شکستن ساختاری

تعریف مشکل

هنگامی که یک گسترش ثابت به میانگین تاریخی بازگردد ، آربیتراژهای معاملاتی را جفت می کنند. با این وجود ، گسترش ثابت ممکن است به دلیل تأثیر خارجی (به عنوان مثال ، اخبار یا سیاست های دولت) به یک سری زمانی غیر ثابت تبدیل شود. این رویداد یک استراحت ساختاری نامیده می شود [39] ، و زمانی خاص که هنگام وقفه ساختاری رخ می دهد ، یک نقطه شکست نامیده می شود. اگرچه در صورت بازگشت این گسترش به میانگین تاریخی ، ممکن است در معاملات جفت سود زیادی در معاملات جفت منجر شود ، در صورت عدم بازگشت به میانگین تاریخی ، می تواند باعث ضرر بزرگی نیز شود. برای جلوگیری از چنین شرایط پرخطر ، تشخیص استراحت ساختاری در معاملات جفت مهم است. یک جفت سهام جمع شده را در نظر بگیرید (جفت _ = langle stock_ ، stock_ rangle ) ، جایی که (سهام _ = langle p_ in r^+ | t = 1،2 ، ldots ، t^-1 Rangle ) برای همه n ، و اجازه دهید (t^) زمان بندی فعلی را نشان دهد. وقتی قیمت های فعلی (P_) و (p_) در دسترس است ، هدف این است که احتمال وقوع یک وقفه ساختاری را در (t^) با یک مدل تشخیص زمان واقعی (f_ ) به شرح زیر تخمین بزنید:

جایی که PR احتمال وقوع است ، ( theta ) مجموعه ای از پارامترهای قابل یادگیری (f_ theta ) است. بر این اساس ، ما بیشتر وظیفه تشخیص را به عنوان یک مشکل طبقه بندی باینری مدل می کنیم ، جایی که عملکرد هدف به شرح زیر تعریف می شود:

DB یک پایگاه داده است که تمام جفت های همبسته را جمع می کند. (t^<<mathrm>>) نشانگر زمان شروع کار برای تجارت است (یعنی زمان سنجی بعدی بعد از مدت زمان تشکیل) و T نشانگر آخرین زمان بندی روز است. (y_ ) حقیقت زمین باینری است که آیا (pair_ ) در زمان استراحت ساختاری است. برای خاص تر بودن ، (y_ = 1 ) نشان می دهد که گسترش در زمان t تحت شکستن ساختاری است ، و در غیر این صورت (y_ = 0 ). به عنوان مثال ، اگر (t in \) و شکست ساختاری در زمان بندی سوم و چهارم اتفاق می افتد ، y (\) است. حقیقت زمین شکست را می توان با [54] بدست آورد. در نتیجه ، هدف به حداقل رساندن آنتروپی متقاطع باینری است (<mathcal >) از کلیه جفت های یکپارچه در DB در دوره معاملاتی (یعنی ، (t in >>,ldots ,T>) ).

تفاوت بین روشهای پیشنهادی سوانت و روشهای آماری سنتی [20 ، 25] دو برابر است.(1) روشهای آماری برای تشخیص نیاز به زمان نسبتاً طولانی دارند و برای معاینات آفلاین طراحی شده اند. Swanet قادر به تشخیص شکستگی های ساختاری به صورت آنلاین است و از این رو تأخیر تشخیص را کاهش می دهد.(2) Swanet از هر دو ویژگی دامنه زمان و دامنه فرکانس یاد می گیرد ، در حالی که روش های سنتی از ویژگی های دامنه فرکانس سوء استفاده نمی کنند. همانطور که در شکل 5 نشان داده شده است ، Swanet یک CNN را با تبدیل موجک مداوم و LSTM برای استخراج ویژگی های دامنه فرکانس و دامنه زمان ترکیب می کند. سپس ، ویژگی های استخراج شده به لایه کاملاً متصل (FC در شکل 5) منتقل می شوند و نتیجه تشخیص احتمال پیش بینی شکستگی ساختاری است. ما جزئیات CNN موج موج مداوم و مدل ترکیبی را در فرقه ها شرح می دهیم. به ترتیب 4. 2 و 4. 3.

معماری سوانت

موجک مداوم CNN

در پردازش سیگنال ، تبدیل فوریه [69 ، 78] برای به دست آوردن بازنمایی دامنه فرکانس سری های زمانی منظم ، مانند سیگنال های الکترومغناطیسی [2 ، 79] و سیگنال های دستگاه کارخانه مفید است [7 ، 31]. با این حال ، سری زمانی از قیمت سهام می تواند با گذشت زمان به طرز چشمگیری متفاوت باشد ، که برای استفاده از تبدیل فوریه مناسب نیست. در مقابل ، تبدیل موجک مداوم (CWT) [68 ، 81] ، که نشان می دهد بازنمایی دامنه فرکانس یک سیگنال با تغییر مداوم مقیاس بندی و تغییر برخی از موجک ها ، ثابت می شود که در رسیدگی به چنین سیگنال های متغیر زمانی مؤثر است.

به طور خاص ، CWT مقیاس و موقعیت یک موجک مادر را تغییر می دهد ( psi _ (t) ) برای نشان دادن سیگنال هدف ، جایی که (a in r^+) و (b in r ) نشان می دهدمقیاس و تغییر به ترتیب. بر این اساس ، CWT به شرح زیر تعریف شده است:

جایی که x سیگنال هدف است. CWT را می توان به عنوان شباهت بین سیگنال هدف X (T) و موجک مادر ( psi _ (t) ) در نظر گرفت. در این مقاله ، ما موجک Ricker را به عنوان موجک مادر اتخاذ می کنیم زیرا عملکرد بهتر است. پس از انجام CWT ، نتایج ضرایب موجک را می توان در یک اسکالگرام (که بعداً به تفصیل) جمع آوری کرد ، جمع کرد.

توجه داشته باشید که اسکالگرام حاوی اطلاعات غنی از دامنه فرکانس است. در نتیجه ، ایده ما بهره برداری از مدل CNN برای استخراج ویژگی های دامنه فرکانس از اسکالگرام گسترش برای تشخیص استراحت ساختاری است. با توجه به یک جفت همخوانی (جفت_ ) به عنوان ورودی ، ما ابتدا گسترش آن را ( text _ ) در دوره معاملاتی به شرح زیر استخراج می کنیم:

جایی که هر ( text ^_ ) تعریف را در Eq دنبال می کند.(1) ، و از این رو ، ( text _ ) دنباله ای است که شامل گسترش (pair_ ) از هر زمان بندی در دوره تجارت است. سیگنال هدف CWT بیشتر به عنوان ( text _ ) تنظیم می شود ، یعنی ، (cwt_< ext _>(a ، b) ) ، برای به دست آوردن اسکالگرام (pair_ ) ، که به عنوان (sg_ ) نامیده می شود. شکل 6 نمونه ای از اسکالغوگرام (SG_ ) را نشان می دهد ، که در آن x - و y-axes به ترتیب زمان سنج و فرکانس موجک گسترش را نشان می دهند. پیکسل در مختصات (x ، y) زرد نشان می دهد که فرکانس y در Timestamp X قوی است و در غیر این صورت آبی. از طریق این فرآیند ، ما انتظار داریم که برخی از نوسانات ویژه (به عنوان مثال ، شیاطین ناگهانی و تغییرات تدریجی) از اسکالگرام استخراج شوند.

نمونه ای از اسکالگرام

ثابت شده است که CNN در استخراج ویژگی های مهم از تصاویر [59 ، 67 ، 84] ، سری زمانی [19 ، 44 ، 60] و غیره مؤثر است. سری زمانی. ما استدلال می کنیم که چنین روشی بهترین استفاده از اطلاعات را در داده ها و استحکام برای مقابله با داده های چند بعدی در CNN انجام نمی دهد. ما پیشنهاد می کنیم به جای آن از یک CNN دو بعدی استفاده کنیم ، زیرا انتظار داریم که حلقوی غیرخطی به طور طبیعی می تواند تعامل ویژگی ها را در دو بعد در اسکالگرام ضبط کند.

با توجه به یک اسکالگرام گسترش (SG_ ) ، ابتدا یک مجموعه ویژگی (x^_ ) را با اندازه پنجره از پیش تعریف شده D ایجاد می کنیم تا در سیستم تشخیص آنلاین اعمال شود. به شرح زیر تعریف شده است:

که در آن (SG_ (T-D: T-1 ،:) ) اسکالگرام جزئی است که x-axis از timestamp (t-d ) تا (t-1 ) جمع آوری می شود ، و ویژگی فرکانس خام استاز (جفت_ ) در زمان t. توجه داشته باشید که (x^_ ) فقط داده ها را برای تشخیص نقاط شکست در دوره های معاملاتی جمع می کند. لایه های حلقوی دو بعدی به شرح زیر تعریف می شوند:

جایی که l شماره یک لایه است. ( otimes ) عملیات حلقوی با یک هسته قابل یادگیری است (<mathbf >^_<<mathrm>>) . (<mathbf >^_<<mathrm>>) تعصب آموخته برای تثبیت فرایند یادگیری است و ( phi ) یک تابع فعال سازی است که در این مقاله برای RELU تنظیم شده است. ورودی Wavelet CNN مداوم Scalogram ((<mathbf >^_ ) ، همانطور که در Eq نشان داده شده است.(7)در مقایسه با استفاده از لایه یک بعدی برای سری زمانی [73 ، 75] ، ورودی و خروجی Eq.(8) ماتریس دو بعدی هستند (یعنی ، (<mathbf >^) و (<mathbf >^)) ، که قادر به استخراج سیگنال های پیچیده تر از اسکالگرام های دو بعدی هستند. همانطور که در شکل 5 نشان داده شده است ، لایه های حلقوی جمع می شوند و هر لایه حلقوی توسط یک لایه جمع آوری حداکثر دنبال می شود تا از تناسب بیش از حد جلوگیری شود و برای کاهش تلاش محاسباتی.

ادغام موجک مداوم CNN و LSTM

پس از معرفی Wavelet CNN مداوم برای استخراج ویژگی های دامنه فرکانس ، ما توضیح می دهیم که چگونه SWANET از یک مدل LSTM برای استخراج ویژگی های دامنه زمان و سپس چگونگی ادغام آنها برای تشخیص شکستگی ساختاری استفاده می کند.

LSTM یکی از پرکاربردترین ساختارهای مکرر در مدل سازی دنباله است و به طور گسترده در پردازش زبان طبیعی [76 ، 80] ، عنوان ویدیویی [26 ، 33] ، تجزیه و تحلیل سری زمانی [15 ، 47 ، 74] و غیره مستقر شده است. موفقیت LSTM ممکن است در ضمن مشخص کردن اینکه کدام حافظه باید فراموش شود ، به توانایی عالی خود در به خاطر سپردن خاطرات بلند مدت اعتبار دارد. برای تشخیص استراحت ساختاری برای معاملات جفت ، ما از LSTM برای تشخیص الگوهای نوسان در گسترش جفت های ادغام استفاده می کنیم. بر خلاف روشهای سنتی که سری زمانی یکبار را تجزیه و تحلیل می کند ، ما نه تنها گسترش (گسترش (_ )) را وارد می کنیم بلکه مقادیر قیمت دو سهام ( (سهام_ ) و (سهام_ )) را نیز به LSTM وارد می کنیم ، همانطور که در آن نشان داده شده است. شکل 5. بنابراین ، هنگامی که سهام زوج با هم حرکت می کنند ، ممکن است گسترش در حالی که نوسانات قیمت سهام می تواند ثابت بماند. به طور خاص ، برای هر Timestamp t ، ورودی (<mathbf >^_=[Spread^t_, hat>, hat>]^ op) , where (hat>) مخفف قیمت سهام عادی است ، و (x^) مجموعه ای است که جمع آوری همه (<mathbf >^_ ). لطفاً توجه داشته باشید که از آنجا که دامنه قیمت از یک سهام به سهام دیگر متفاوت است و استراحت ساختاری مربوط به تغییرات قیمت است ، قیمت عادی برای تشخیص ساختار ساختاری مناسب تر از قیمت سهام خام است. علاوه بر این ، اجزای LSTM به شرح زیر تعریف می شوند: