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