多维度深度学习的股票自动交易模型.pdf

哈尔滨工业大学硕士学位论文

摘要

随着计算机的运算能力的提高和多维数据体量逐年变大，使用机器学习，

深度学习模型对数据进行训练，预测股票价格规避投资风险成为如今研究资产

价格的主流。并且随着强化学习在AlphaGo中打败人类围棋冠军，人工智能算

法自主决策逐渐进入了研究人员的视野。金融资产管理需要投资经理根据以往

经验及现场的市场投资环境数据，判断持股比例的增减，以最大化收益和规避

投资的风险。而强化学习在自动执行策略上有良好的表现，在金融的股票自动

交易中，强化学习算法与股票交易相结合成为该领域的必然趋势。

根据金融领域的APT套利定价理论，股票价格走势与多种因子相关性强。

因此投资者可使用多种因子的数据对未来股票价格进行预测，并制定投资策略

以获取收益规避资产风险。本文将广泛应用于自然语言处理与图像处理的训练

多维度数据的知识蒸馏的训练方法引入多维度的股票数据的训练中，并使用深

度学习模型与强化学习的混合模型算法进行股票的自动交易。知识蒸馏的训练

方式，可以有效提高算法的运算效率，降低多维度数据的噪声对模型性能的影

响，使股票自动交易在小型深度学习网络模型的训练下仍具有和使用复杂神经

网络下训练达到同样的效果。知识蒸馏的训练方式有两个体系，分别为教师模

型和学生模型。教师模型为复杂的神经网络，使用多维度的数据进行训练预测

股票价格走势，以此辅助学生模型能够更快的更新到目标函数，提高学生模型

的性能。学生模型为主要的股票交易的决策者，使用简单的神经网络，通过教

师模型的辅助快速的更新决策函数。本文首先总结了股票预测，股票自动交易

领域使用的数据和模型及模型评估指标。其次具体阐述股票数据的预处理办法

及教师模型的训练过程和神经网络最优参数的选择。再次具体阐述加入知识蒸

馏的训练方式的股票自动交易模型的训练及评估结果。研究结果表明知识蒸馏

的训练方式能够降低股票自动交易算法在决策时的风险，降低交易时收益的波

动性，但总体的收益相对于传统的股票自动交易算法较低。

在创新层面，本文结合了人工智能的前沿热点，将广泛应用于计算机人工

智能领域的知识蒸馏训练方式首次应用于股票数据的训练；在实践贡献方面，

优化了传统的股票自动交易模型，有效降低了人工智能自动决策时的风险性，

提高了金融资产自动交易应用于生活中的可能性，为金融量化交易提供新的思

想。并且为金融量化交易提供了新的模型对比数据。

关键词:股票量化交易；强化学习；长短期记忆人工神经网络；人工智能

I

哈尔滨工业大学硕士学位论文

Abstract

Withtheimprovementofcomputercomputingpowerandthevolumeof

multidimensionaldatabecominglargeryearbyyear,theuseofmachinelearning,

deeplearningmodelstotraindatatopredictstockpricestoavoidinvestmentrisks

hasbecomethemainstreamofresearchassetpricestoday.Andwithreinforcement

learninginAlphaGotodefeatthehumanGochampion,artificialintelligence

algorithmsautonomousdecision-makinggraduallyintothevisionofresearchers.

Financialassetmanagementrequiresinvestmentmanagerstojudgetheincreaseor

decreaseofstockholdingsbasedonpast