机器学习能否释放高频交易的新洞见?
该研究论文探讨了将强化学习应用于统计套利策略中的高频交易场景,通过利用强化学习的自适应学习能力,发现其可以揭示传统方法可能忽略的模式并设计交易策略,同时解决在金融市场中这一非稳态环境中应用强化学习所面临的挑战,并研究缓解相关风险的方法。通过广泛的模拟和回测,研究结果表明,强化学习不仅提升了交易策略的适应性,而且显示了改善盈利指标和风险调整回报的潜力,从而将其定位为下一代基于高频交易的统计套利的关键工具,为该领域的研究人员和从业者提供了洞察。
Sep, 2023
高频交易(HFT)是在短时间范围内执行算法交易的交易方式,近年来已经占据了大部分加密货币市场。除了传统的量化交易方法外,强化学习(RL)由于其处理高维金融数据和解决复杂顺序决策问题的能力,成为 HFT 的另一种吸引人的方法。本文提出了一种新颖的记忆增强上下文感知强化学习方法(MacroHFT),它通过分阶段的训练使得各个子代理根据市场条件调整交易策略,并结合这些子代理的决策输出一个持续盈利的总体策略来处理快速市场波动,从而实现了在分钟级交易任务上最先进的性能。
Jun, 2024
应用深度学习和强化学习结合,利用订单流量失衡进行多时间段预测收益的研究,为五种金融工具提供交易信号,并通过回测模拟和前期测试在零售交易平台验证了模型的潜力,但还需要进一步修改以应对零售交易成本、滑点和点差的波动。
Oct, 2023
该研究旨在开发一种先进的高频交易算法,并比较三种不同的数学模型的性能:交叉熵损失函数和拟牛顿算法的组合、FCNN 模型和向量机。该算法利用神经网络预测生成交易信号,并基于特定条件执行买入和卖出操作,通过利用神经网络的力量提高交易策略的准确性和可靠性。该研究通过评估三种数学模型的性能来评估算法的有效性,并通过比较这三种模型的性能,旨在确定高频交易的最有效方法。该研究通过引入一种新的对高频交易的方法,为投资者提供了一种更准确可靠的股票交易策略。
Sep, 2023
本文介绍了一种具有等待成本的随机订单驱动市场模型,采用均场博弈理论,考虑不同交易者的订单簿和流动性供求对价格的影响,研究了机构投资者和高频交易者在市场上的的共存对市场效率等因素的影响。研究发现,虽然机构投资者单独存在时可能存在无效的流动性不平衡,但在与高频交易者共存时,此类宏观现象消失且高频交易者获得了更大的好处,留给机构投资者更高的交易成本。
May, 2013
该研究旨在解决高频交易中市场制造的问题,提出了一种深度强化学习方法,将 tick-level 数据与周期性预测信号融合,以开发更精准、更强韧的市场制造策略,并在加密货币市场模拟场景和实际数据实验中得到了优越的收益和风险管理表现。
Jun, 2023
本文探讨了金融服务业中常见的不同类型的时间数据,回顾了当前在这个领域中的机器学习方法,并评估了在机器学习和时间数据的交叉应用中,研究人员面临的挑战和机遇。
Sep, 2020
利用先进的深度学习方法,研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame',高效处理大规模的限价挂单簿数据,定量评估最新的深度学习模型的预测能力。研究结果有两个方面:我们证明股票的微观结构特征影响深度学习方法的有效性,而高预测能力并不一定对应可执行的交易信号。我们认为,传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代,我们提出了一种创新的操作框架,通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径,从而做出明智而稳健的决策。
Mar, 2024
本文主要介绍了如何利用多种数据挖掘技术和深度学习应用于金融文本处理场景,并且展示了如何使用自然语言处理(NLP)和知识图谱(KG)技术来从异构数据中识别金融风险和机会。
Apr, 2022
本文分析了如何通过学习潜在因素的后验分布来解决隐含最优交易问题,提出了一种 EM 算法的变体来校准模型,演示了此最优策略的性能和与忽略学习的策略的比较。
Jun, 2018