一種半自動算法交易方法
【專利摘要】本發(fā)明是一種半自動算法交易方法，包括如下步驟，（1）信息采集；（2）建模；（3）回測；（4）反饋和定模。本發(fā)明通過使用主動學習對原交易算法不確信的市場波動使用可視化效果向?qū)I(yè)用戶進行呈現(xiàn)，以獲取專業(yè)人員的快速反饋，從而降低直接利用算法進行預測的風險，同時利用可視化界面也降低專業(yè)用戶的反饋時間，克服了原有算法交易策略容易帶來高風險的問題，并且保持了自動化算法交易低延時的優(yōu)點，保證了最終能夠取得最佳的半自動交易性能。
【專利說明】一種半自動算法交易方法

【技術(shù)領域】
[0001]本發(fā)明涉及一種算法交易方法，特別是一種半自動算法交易方法。

【背景技術(shù)】
[0002]通過執(zhí)行預先設定好的交易策略，利用計算機平臺輸入交易指令的算法交易已經(jīng)成為目前主流的交易方式之一。目前的算法交易分為被動型和主動型。其中被動型算法不會根據(jù)市場狀況主動選擇交易時機和數(shù)量，其目的在于減少滑價；而主動型交易將根據(jù)市場狀況做出實時決策，在減少滑價功能的基礎上，將關(guān)注重點轉(zhuǎn)向預測市場趨勢。無論是被動型還是主動型算法交易策略都力圖將人的干預降低至最小，旨在盡量通過預設定的策略對交易進行執(zhí)行，這類技術(shù)在增加市場流動性的同時也增加了損失風險。


【發(fā)明內(nèi)容】

[0003]本發(fā)明要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提出一種可克服原有算法交易策略容易帶來高風險問題的半自動算法交易方法。
[0004]本發(fā)明要解決的技術(shù)問題是通過以下技術(shù)方案實現(xiàn)的。本發(fā)明是一種半自動算法交易方法，其特點是:包括如下步驟，(I)信息采集:將市場交易信息以滑動窗口的形式使其表達為特征向量v=[vl, v2,.., vt,..，vn],其中Vt表示第t時刻上述市場交易信息的數(shù)值，對t時刻之前收集的市場交易信息數(shù)據(jù)設為訓練樣本，對t+Ι時刻的交易信息設為測試樣本；(2)建模:在獲取訓練樣本后，通過預測置信度設備對訓練樣本進行訓練，獲取初步模型的數(shù)據(jù)參數(shù)進而得到模型M，模型M用以對測試樣本進行預測，若預測置信度設備返回的置信度數(shù)值高，則說明測試樣本處于市場起伏的正常的狀態(tài)，無需人工干預，若預測置信度設備返回的置信度數(shù)值低，則此時模型M對測試樣本的預測并不確信，需要人工指出模型M的分類錯誤，給測試樣本人工標記正確的標簽；(3)回測:通過交叉驗證的方法獲取閾值，并且將測試樣本中模型M預測置信度小于閾值的樣本顯示在屏幕的可視化界面上；
[4]反饋和定模:使用者對市場的走向進行標注，并通過屏幕的可視化界面將信息反饋給預測置信度設備，用以更新模型M，得到模型M，，模型M，能夠?qū)+Ι時刻的市場交易信息作出更為準確的預測。
[0005]本發(fā)明一種半自動算法交易方法技術(shù)方案中，進一步優(yōu)選的技術(shù)方案特征是:
1、所述的市場交易信息包括股票合約的買賣價格、最新價格、短期變化趨勢的一種或幾種。
[0006]2、所述的預測置信度設備為支撐向量機或條件隨機場。
[0007]與現(xiàn)有技術(shù)相比，本發(fā)明通過使用主動學習對原交易算法不確信的市場波動使用可視化效果向?qū)I(yè)用戶進行呈現(xiàn)，以獲取專業(yè)人員的快速反饋，從而降低直接利用算法進行預測的風險，同時利用可視化界面也降低專業(yè)用戶的反饋時間，克服了原有算法交易策略容易帶來高風險的問題，并且保持了自動化算法交易低延時的優(yōu)點，保證了最終能夠取得最佳的半自動交易性能。

【具體實施方式】
[0008]以下進一步描述本發(fā)明的具體技術(shù)方案，以便于本領域的技術(shù)人員進一步地理解本發(fā)明，而不構(gòu)成其權(quán)力的限制。
[0009]實施例1，一種半自動算法交易方法，包括如下步驟，(I)信息采集:將市場交易信息以滑動窗口的形式使其表達為特征向量v=[vl, ν2,.., vt,..，vn],其中vt表示第t時刻上述市場交易信息的數(shù)值，對t時刻之前收集的市場交易信息數(shù)據(jù)設為訓練樣本，對t+1時刻的交易信息設為測試樣本；(2)建模:在獲取訓練樣本后，通過預測置信度設備對訓練樣本進行訓練，獲取初步模型的數(shù)據(jù)參數(shù)進而得到模型M，模型M用以對測試樣本進行預測，若預測置信度設備返回的置信度數(shù)值高，則說明測試樣本處于市場起伏的正常的狀態(tài)，無需人工干預，若預測置信度設備返回的置信度數(shù)值低，則此時模型M對測試樣本的預測并不確信，需要人工指出模型M的分類錯誤，給測試樣本人工標記正確的標簽；所述人工指出模型M的分類錯誤并進行人工標注，我們認為人工標注所有的標記都是正確的；例如對于線性支撐向量機SVM (—種特殊的SVM算法)來說，所獲得的模型是對每個屬性的線性加權(quán)系數(shù)w=[wl, w2,..., wn],最終的預測依據(jù)是w和測試樣本V的內(nèi)積,而內(nèi)積的絕對值大小即為置信度，而對于其他機器學習方法，都有各自的置信度計算方法；(3)回測:通過交叉驗證的方法獲取閾值，并且將測試樣本中模型M預測置信度小于閾值的樣本顯示在屏幕的可視化界面上；所述交叉驗證的方法是將部分訓練樣本視為測試樣本，通過分類方法加以預測獲取相應的置信度，對于預測錯誤的置信度來獲取閾值的上下線；所述可視化界面上展示了樣本對應的市場情況，其數(shù)據(jù)包括用戶對風險的承受能力，如偏好高風險高收益、偏好低風險、以及對市場漲跌的判別等；(4)反饋和定模:使用者對市場的走向進行標注，并通過屏幕的可視化界面將信息反饋給預測置信度設備，用以更新模型M，得到模型M，，模型M’能夠?qū)+Ι時刻的市場交易信息作出更為準確的預測。所述訓練樣本收集的市場交易信息是歷史數(shù)據(jù)，使我們能夠獲得市場的漲跌等行情變化，這種變化為樣本標簽；而對于源源不斷到來的市場新信息，我們無法獲得對應樣本標簽，因為此時我們并沒有t+Ι時刻的市場情況。所述預測置信度設備對訓練樣本進行訓練是指通過數(shù)據(jù)獲取模型M的參數(shù)。
[0010]實施例2，實施例1所述的半自動算法交易方法中:所述的市場交易信息包括股票合約的買賣價格、最新價格、短期變化趨勢的一種或幾種。
[0011]實施例3，實施例1或2所述的半自動算法交易方法中:所述的預測置信度設備為支撐向量機或條件隨機場。
【權(quán)利要求】
1.一種半自動算法交易方法，其特征在于:包括如下步驟， (1)信息采集:將市場交易信息以滑動窗口的形式使其表達為特征向量v=[vl，v2，..，vt,..，vn],其中vt表示第t時刻上述市場交易信息的數(shù)值，對t時刻之前收集的市場交易信息數(shù)據(jù)設為訓練樣本，對t+Ι時刻的交易信息設為測試樣本； (2)建模:在獲取訓練樣本后，通過預測置信度設備對訓練樣本進行訓練，獲取初步模型的數(shù)據(jù)參數(shù)進而得到模型M，模型Μ用以對測試樣本進行預測，若預測置信度設備返回的置信度數(shù)值高，則說明測試樣本處于市場起伏的正常的狀態(tài)，無需人工干預，若預測置信度設備返回的置信度數(shù)值低，則此時模型Μ對測試樣本的預測不準，需要人工指出模型Μ的分類錯誤，給測試樣本人工標記正確的標簽； (3)回測:通過交叉驗證的方法獲取閾值，并且將測試樣本中模型Μ預測置信度小于閾值的樣本顯示在屏幕的可視化界面上； (4)反饋和定模:使用者對市場的走向進行標注，并通過屏幕的可視化界面將信息反饋給預測置信度設備，用以更新模型Μ，得到模型Μ，，模型Μ，能夠?qū)+Ι時刻的市場交易信息作出更為準確的預測。
2.根據(jù)權(quán)利要求1所述的半自動算法交易方法，其特征在于:所述的市場交易信息包括股票合約的買賣價格、最新價格、短期變化趨勢的一種或幾種。
3.根據(jù)權(quán)利要求1所述的半自動算法交易方法，其特征在于:所述的預測置信度設備為支撐向量機或條件隨機場。
【文檔編號】G06Q40/04GK104346751SQ201410628468
【公開日】2015年2月11日 申請日期:2014年11月11日 優(yōu)先權(quán)日:2014年11月11日
【發(fā)明者】詹德川, 周尚晨 申請人:蘇州晨川通信科技有限公司