[PYTHON] Ich habe die gängige Geschichte der Vorhersage des Nikkei-Durchschnitts mithilfe von Deep Learning (Backtest) ausprobiert.

Geschichte verändern

** 14.08.2016: Das Ergebnis wurde hinzugefügt, wenn die Signale der drei Methoden synthetisiert wurden. ** **. ** 14.08.2016: Gewinnrate hinzugefügt. ** **.

Überblick

Letztes Mal (Ich habe versucht, Deep Nik zu verwenden, um den Nikkei-Durchschnitt vorherzusagen) waren die Renditen der Nikkei-Durchschnittsaktien am Vortag Ich habe versucht, den Anstieg und Fall des durchschnittlichen Aktienkurses von Nikkei am nächsten Tag anhand vorherzusagen. Dieses Mal handelt es sich vorerst um einen Operationstest, daher habe ich versucht zu simulieren, was passieren würde, wenn es tatsächlich mit der vorhergesagten Rendite betrieben würde.

Discramer

Wie bereits erwähnt, bin ich nicht verantwortlich für Schäden, die durch den tatsächlichen Betrieb mit dieser Methode verursacht wurden.

Betriebsannahmen

Ursprünglich ist es notwendig, die Gebühr, die Zeit, die gekauft und verkauft werden kann, den Umsatz usw. zu berücksichtigen, aber diesmal ist es einfach, "eine Vorhersage zum Schlusskurs des Vortages zu treffen, eine Kauf- und Verkaufsentscheidung für einen Moment und einen Moment für den Nikkei-Durchschnitt zu treffen." Es ist eine sehr unrealistische Annahme, dass Sie kaufen oder verkaufen können. (Nun, liegt es nicht daran, dass die Berechnung mühsam ist?)

Die Zusammenfassung ist wie folgt.

• "Kaufen" für "Anstieg" -Prognose ohne Position
• Halten Sie diese Taste gedrückt, um die Vorhersage des Anstiegs zu halten, während Sie die Position halten
• Wenn Sie eine Position haben und "down" vorhersagen, wird die Position abgebrochen.
• Tun Sie nichts für "Down" -Vorhersagen ohne Position

Letztes Ergebnis

Das vorherige Ergebnis war wie folgt. Ich habe drei Methoden ausprobiert: Random Forest, Multilayer Perceptron (MLP) und Convolution Neural Network (CNN).

• Zufälliger Wald

• Mehrschichtiges Perzeptron (MLP)

• Faltbares neuronales Netzwerk

Aus AUC-Sicht lautet die Reihenfolge CNN> MLP> RF.

Operativer Backtest

Die Backtest-Periode ist täglich von 2008 bis spätestens. Der erste ist 1000 und jeder ist indiziert. (Linke Achse) Es zeigt auch den Unterschied zum Nikkei-Durchschnittsindex. (Rechte Achse)

RF-Simulationsergebnisse

MLP-Simulationsergebnisse

CNN-Simulationsergebnisse

Vergleich von drei Methoden

Ergebnisse synthetischer Signale von CNN, MLP, RF (hinzugefügt am 14.08.2016)

CNN ist die beste Modellleistung, also lassen Sie uns RF und MLP um dieses herum synthetisieren. Als bedingter Ausdruck

signal = (CNN-Signal) & (HF-Signal|MLP-Signal)

Es fühlt sich an wie. Mit anderen Worten, nur wenn Sie sagen, dass der CNN steigt und eines der beiden anderen Modelle steigt, entscheiden Sie, dass das endgültige Signal steigt.

Verschiedene Statistiken (hinzugefügt am 14. August 2016)

Das Ergebnis ist Synthese> CNN> MLP> RF (in Bezug auf Risiko / Rendite). Selbst wenn der Nikkei-Durchschnitt Long Hold ist, handelt es sich um einen Gewinn von 52%. Es scheint also, dass der Anstieg und Abfall in diesem Zeitraum etwas näher am Aufwärtstrend liegt. Unter diesen sind jedoch alle Methoden dem überlegen, und 56% für die Synthese sind eine ziemlich gute Zahl.

Zusammenfassung

• Es kann sich ändern, wenn Sie den Backtest-Zeitraum ändern, aber CNN scheint in Bezug auf die Leistung die beste zu sein.
• Da das Risiko-Rendite-Ergebnis mit der Reihenfolge der AUC übereinstimmt, besteht die Möglichkeit, dass das Betriebsergebnis besser ist, wenn die AUC erhöht werden kann.
• CNN reitet auf der Welle der Avenomics, indem es den Abschwung des Lehman-Schocks schnell erkennt und vermeidet, aber seine Leistung ist in der aktuellen Situation nicht gut.
• Es kann interessant sein, das Verhalten zu betrachten, wenn die Rendite groß ist, und umgekehrt, wenn das Negativ groß ist.
• Das synthetische Signal kann ein wenig nachträglich riechen, aber selbst wenn es tatsächlich verwendet wird, ist es besser, mehrere Modelle zu haben. (Evas Magie)