标签：Group 预测 模型 Seq2Seq DeepLOB IPU Oxford GPU
https://mp.weixin.qq.com/s/pI6oLyuQaBkJabPfNcG8LA
人工智能可以预测走势
近日，根据彭博报道，Oxford-Man量化研究所的研究人员表示，他们已经开发出了一个机器学习程序，可以预测股价的走势——预测范围在30s内，且该程序的成功率达到了80%！
根据报道，该算法计算出价格在100个tick内的走势，这相当于大约30秒到2分钟的交易时间。
该研究所副教授、此项目联合负责人Stefan Zohren表示：“在多步预测中，我们实际上有一个经过训练的模型，可以在更小的范围内进行预测。我们将这些信息反馈给预测本身，并将预测向前滚动，从而得到更长周期的预测。”
Man AHL首席科学家Anthony Ledford表示：“该算法仍处于测试阶段。如果我们建立并且持有自己的仓位，你可能会持有该仓位数周。但实际上，通过一系列规模较小的交易，实际上让你持有该仓位的时间要短得多。”
Ledford也表示：“虽然这项研究是兴奋的，但Man尚未承诺推出该模型！”
随着行业竞争的加剧，核心策略的收益越来越低，量化分析师们正在争相部署学习股票统计模式的程序，以降低交易成本，并找到新的投资信号。
Zohren与研究助理Zihao Zhang还在今年共同撰写了下面这篇论文，大家可以看看：
https://arxiv.org/pdf/2105.10430.pdf
在这篇论文中的一个核心点在于，研究人员使用了Graphcore（拟未科技）公推出司的IPU（Intelligence Processing Unit）优化了其计算性能。
什么是IPU？
用一句话来总结为什么需要IPU，可以这样说：
如果CPU和GPU是AI技术的“适应者”，那IPU就是针对AI而生的技术！
的确，现在有越来越多的AI技术是在CPU、GPU之后才出现，但只有IPU是为了实现AI的技术而设计，速度更快、更完整呈现算法。
至于GPU跟IPU实际上的差别，Graphcore曾说道：“如果是用来执行分类静态图片的前馈卷积神经网络（feed-forward convolutional neural networks），GPU的表现已经相当好，但IPU可以提供两到三倍的性能优势、有时甚至是五倍。若是更复杂的模型，像是尝试理解场景对话的模型，由于资料需来回快速传递，但是因为所有的模型都保存在我们的处理器中，IPU可以比GPU快很多，甚至可能快十倍、二十倍或者五十倍。”
我们知道，多时间窗口（multi-horizon）预测模型的实用性在很大程度上受到了CPU和GPU训练缓慢的影响。
多时间窗口预测
由于IPU为AI设计的架构为Oxford-Man量化研究所减少了多时间窗口预测模型的训练时间，以便更准确地估计市场价格变动，他们发现IPU的速度至少比普通GPU快至少10倍左右。
单时间窗口（single horizon）预测通常是作为一个标准的监督学习方法，其目的是建立限价订单簿上的买/卖价格和在特定时刻的最终市场价格之间的关系。然而，影响市场定价的因素众多，有用的信噪比相对较低，使得很难从单时间窗口推断出长期的预测路径。
一种实现多时间窗口预测的技术借用了NLP中常见的方法，采用Seq2Seq和Attention模型，这些模型包括编码器和解码器的复杂循环神经层。Attention模型有助于解决Seq2Seq模型的某些限制，这些限制阻止它们处理一些长序列。
Seq2Seq网络体系结构
但是，这种模型的递归结构不利于GPU等处理器体系结构上的并行处理。考虑LOB数据的速度很快，这种情况尤成问题。
对于这个计算问题已经提出了几种解决方案，包括使用具有完全连接层的Transformer。
然而，Oxford-Man量化研究所的团队认为，Seq2Seq/Attention组合的周期性结构与多时间窗口预测中时间序列的性质非常吻合，从而能够总结过去的信息并传播到随后的时间戳。
LOB数据被Oxford-Man量化研究团队用来训练一些模型，其中包括DeepLOB，由其团队开发：
https://arxiv.org/pdf/1906.04404.pdf
多时间窗口预测方面，研究人员测试了DeepLOB的两个变体DeepLOB-Seq2Seq和DeepLOB-Attention，它们分别使用Seq2Seq和Attention模型作为解码器。
模型架构：具有编码器/解码器结构的DeepLOB
在包括DeepLOB-Seq2Seq和DeepLOB-Attention在内的一系列模型中，Graphcore IPU系统在训练时间方面优于其GPU：
同时，Zohren还考虑将编码器-解码器结构应用于强化学习框架，正如下面这篇论文所述：
https://www.oxford-man.ox.ac.uk/wp-content/uploads/2020/06/Deep-Reinforcement-Learning-for-Trading.pdf
标签：Group,预测,模型,Seq2Seq,DeepLOB,IPU,Oxford,GPU 来源： https://www.cnblogs.com/dhcn/p/15142087.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。