涨姿势！用深度学习LSTM炒股：对冲基金案例分析 对冲基金分析对比

大数据文摘作品

编译：王一丁、修竹、阮雪妮、丁慧、钱天培

英伟达昨天一边发布“全球最大的GPU”，一边经历股价跳水20多美元，到今天发稿时间也没恢复过来。无数同学在后台问文摘菌，要不要抄一波底嘞？

今天用深度学习的序列模型预测股价已经取得了不错的效果，尤其是在对冲基金中。股价数据是典型的时间序列数据。

什么是序列数据呢？语音、文字等这些前后关联、存在内有顺序的数据都可以被视为序列数据。

将序列模型应用于语音和文字，深度学习在语音识别、阅读理解、机器翻译等任务上取得了惊人的成就。

具体怎么操作？效果又如何呢？来看文摘菌今天带来的这篇深度学习炒股指南。

对冲基金是深度学习应用中具有吸引力的领域之一，也是投资基金的一种形式。不少金融组织从投资者那里筹集资金后对其进行管理，并通过分析时间序列数据来做出一些预测。在深度学习中，有一种适用于时间序列分析的架构是：递归神经网络（RNNs），更具体地说，是一种特殊类型的递归神经网络：长短期记忆网络（LSTM）。

RNNs维基解释：

https://en.wikipedia.org/wiki/Recurrent_neural_network

LSTM 维基解释：

https://en.wikipedia.org/wiki/Long_short-term_memory

LSTMs能够从时间序列数据中捕捉最重要的特征并进行关联建模。股票价格预测模型是关于对冲基金如何使用此类系统的典型案例，使用了Python编写的PyTorch框架进行训练，设计实验并绘制结果。

在介绍真实案例之前，我们先了解一下深度学习的基础：

首先，引入深度学习这个抽象概念。

其次，引入RNNs（或更具体地说是LSTMs）以及它们如何进行时间序列分析。

接着，让读者熟悉适合深度学习模型的金融数据。

接着，举一个实例来说明一支对冲基金如何使用深度学习预测股票价格。

最后，就如何使用深度学习来提高对现有或新购对冲基金的表现提供可操作的建议。

介绍用深度学习进行交易的案例

金融行业最具挑战性和令人兴奋的任务之一便是：预测未来股价是上涨还是下跌。据我们所知，深度学习算法非常擅长解决复杂的任务，因此深度学习系统是否能够成功地解决预测未来价格这个问题是值得尝试的。

股价预测：

https://www.toptal.com/machine-learning/s-p-500-automated-trading

人工神经网络这个概念已经存在了很长一段时间，但由于硬件受限，一直无法进行深度学习方面的快速实验。十年前，Nvidia为其Tesla系列产品研发的高速计算的图形处理单元（GPUs）促进了深度学习网络的发展。除了在游戏和专业设计程序中提供更高质量的图形显示外，高度并行化的GPUs也可以计算其他数据，而且在很多情况下，它们的表现远优于CPUs。

Nvidia Tesla维基解释：

https://en.wikipedia.org/wiki/Nvidia_Tesla

在金融领域应用深度学习的科学论文并不多，但是金融公司对深度学习专家却有很大的需求，显然，这些公司认识到了深度学习的应用前景。