>> 廣發(fā)證券-Transformer架構下的量價選股策略:ChatGPT核心算法應用于量化投資-230406
| 上傳日期: |
2023/4/6 |
大小: |
1661KB |
| 格式: |
pdf 共24頁 |
來源: |
廣發(fā)證券 |
| 評級: |
-- |
作者: |
羅軍,張超 |
| 下載權限: |
此報告為加密報告 |
|
|
ChatGPT的廣泛應用:ChatGPT是基于GPT模型的大型對話式語言模型,具有高質量文本生成、代碼編寫等多項功能。隨著ChatGPT被廣泛關注,GPT模型逐漸成為人工智能領域的研究熱點,并開始應用于其他領域。本篇報告將其核心算法Transformer應用于量化投資策略。 自注意力機制:自注意力機制是NLP的一種數據處理方法,能夠有效捕捉輸入序列各位置之間的關系。自注意力機制通過計算query向量與key向量的相關性來加權平均value矩陣,得到輸出結果;而多頭注意力機制則利用并行計算和拆分矩陣為多個頭的方式,在自注意力機制的基礎上進一步提高模型訓練效率。 Transformer架構:Transformer架構是一種采用自注意力機制的神經網絡模型,由位置編碼、編碼層和解碼層組成。位置編碼使用正弦和余弦函數計算單詞位置信息,編碼器將序列中各位置之間關系的信息進行編碼并輸出,解碼器則使用編碼器輸出的序列信息逐個預測輸出。模型同時具備并行計算和高效捕捉關系的能力,被廣泛應用于自然語言處理、圖像生成等領域。 基于Transformer架構的選股策略:本報告將Transformer模型應用于股票漲跌預測中,選取個股漲跌幅和換手率作為面板數據輸入,通過輸出股票未來漲跌概率進行分類。在月度調倉策略中,中證500、滬深300和全市場選股自2020年以來均獲得良好的相對收益與較強的回撤控制能力。 相對于傳統(tǒng)神經網絡的優(yōu)勢:1.處理長期記憶;2.變長輸入序列;3.并行計算效率;4.預訓練模型提高泛化能力。 風險提示:策略模型并非百分百有效,市場結構及交易行為的改變以及類似交易參與者的增多有可能使得策略失效。本篇報告通過歷史數據進行建模,但由于市場具有不確定性,模型僅在統(tǒng)計意義下有望獲得較好投資業(yè)績。另外,本報告不構成任何投資建議。
|
|