DIN：一种通用的端到端量化策略研究框架 证券和债券基金的区别在于

安装新浪财经客户端第一时间接收最全面的市场资讯→【下载地址】

来源：量化投资与机器学习

来自：Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies

作者：Tom Liu, Stephen Roberts, Stefan Zohren

今天这篇文章，我们提出的DIN模型为端到端策略提供了一个通用框架。输入是最低限度处理的数据，输出是风险和成本调整后的持仓大小。研究者只需要选择什么需要输入数据的类型，例如价格回报，以及模型应该捕获的行为类型。DIN简化的结构如下图1所示。首先，我们使用一个特征提取器（FE）学习短期特征。接下来有Position Sizer（PS）处理并输出持仓权重，它可以捕获更长期的依赖关系。与之前的研究不同，DINs为所有资产输出权重的同时，能够优化投资组合的夏普比率，充分利用截面的信息。

DIN的结构是高度定制化的，你可以选择自定义的FE去提取特定类型的特征，比如可以是提取时序特征的模型，如DeepLOB喝AxialLOB。今天这篇文章介绍了两种新的FE，OrigCIM和FlexCIM，它们能够学习截面信息和领先滞后（lead-lag）关系。

如何选择FE？可以系统化的对它们的回测结果进行分析比较。通过约束可能的特征类型，与通用的端到端模型相比，DINs具有更小的过拟合可能性；通用的端到端模型可以从输入矩阵中的任何元素组合中学习特征，从而提高过拟合的可能性。

PS也可以使用系统化的方法进行筛选。在