通过深度学习在二级限价订单簿数据上自动创建高性能算法交易员
摘要：使用适当配置的深度学习神经网络（DLNN），我们展示了一个高性能的算法交易系统可以通过被动观察一名成功交易者T生成的训练数据输入来自动学习。也就是说，我们可以将我们的黑盒DLNN系统指向交易者T，并成功地让它从T的交易活动中学习，使其至少与T一样出色地进行交易。我们的系统名为DeepTrader，它从Level-2市场数据中获取输入，即市场的限价订单簿（LOB）或可交易资产的买卖挂单。与其他系统不同的是，DeepTrader并不明确预测未来价格。相反，我们纯粹基于输入-输出对进行训练，在每个对中，输入是T向市场发出报价（买单或卖单）时获取的Level-2 LOB数据的快照S；而DeepTrader的期望输出是在给出S时产生Q。也就是说，我们通过向DLNN展示T发出报价Q时T看到的LOB数据S来训练我们的DLNN，在这样做的过程中，我们的系统像T一样行事，根据特定的LOB条件发出特定的报价，充当算法交易员。我们在大量的S/Q快照/报价对上训练DeepTrader，然后在各种市场情况下进行测试，将其与公共领域文献中的其他算法交易系统进行评估，包括已多次证明优于人类交易者的两个系统。我们的结果表明，DeepTrader学习到与这些现有的算法交易系统相匹配或者超过它们。我们分析了成功的DeepTrader网络，识别出它依赖的特征和可以忽略的特征。我们提出，我们的方法原则上可以通过"黑盒"深度学习方法创建一个任意交易者T的可解释拷贝。
作者：Aaron Wray and Matthew Meades and Dave Cliff
论文ID：2012.00821
分类：Trading and Market Microstructure
分类简称：q-fin.TR
提交时间：2020-12-03