预构建模型

参见

有关更多详细信息，请参见 model_layer。

作为一个软件包，FinOL 的一部分创新是在其模型层中预先实现的模型。这些预构建的模型为数据驱动的 OLPS 领域的研究人员提供了显著的优势，为他们提供了坚实的基础。通过利用这些模型，研究人员可以简化项目的初始阶段，避免从头构建复杂模型，从而节省宝贵的时间和资源。

时间序列表示模型

FinOL 中的时间序列表示模型旨在解决数据驱动的 OLPS 中顺序数据的独特挑战。这些模型专门设计用于处理顺序输入，确保准确捕捉和分析金融时间序列数据中固有的时间依赖性。通过利用这些模型，研究人员可以深入洞察市场趋势、价格波动及其他影响数据驱动 OLPS 任务的关键因素。

AlphaPortfolio

AlphaPortfolio 的整体框架

描述:

AlphaPortfolio 模型是一个基于 Transformer 的资产评分和投资组合选择模型。

基本思想:

利用注意力机制根据资产的历史表现进行评分。

模型构造:

AlphaPortfolio 源代码

优点:

资产评分的高准确性；通过经济蒸馏提供的可解释结果。

缺点:

计算密集型；需要仔细调整超参数。

细节:

AlphaPortfolio 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。AlphaPortfolio 模型的最终输出是形状为 (batch_size, num_assets) 的张量，表示对应资产的预测评分。

有关更多详细信息，请参阅论文 AlphaPortfolio: Direct Construction through Reinforcement Learning and Interpretable AI。

表 C.1：基于 TE-CAAN 的 AP 的超参数。

Hyper-parameter	Choice	Hyper-parameter	Choice
Embedding dimension	256	Optimizer	SGD
Feed-forward network	1021	Learning rate	0.0001
Number of multi-head	4	Dropout ratio	0.2
Number of TE layer	1	Training epochs	30

AlphaStock

AlphaStock 的关键组件

描述:

AlphaStock 模型是一个基于 LSTM 的资产评分和投资组合选择模型。

基本思想:

利用 LSTM 捕捉资产数据中的顺序依赖和全局依赖。

模型构造:

AlphaStock 源代码

优点:

对时间序列数据有效；能够随时间学习复杂模式。

缺点:

可能会出现过拟合。

细节:

AlphaStock 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。AlphaStock 模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

有关更多详细信息，请参阅论文 AlphaStock: A Buying-Winners-and-Selling-Losers Investment Strategy using Interpretable Deep Reinforcement Attention Networks。

DNN

描述:

用于资产评分和投资组合选择的深度神经网络模型。

基本思想:

实现多个全连接层以从输入特征中学习表示。

模型构造:

DNN 源代码

优点:

灵活的架构。

缺点:

没有正则化的过拟合风险。

细节:

DNN 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

GRU

描述:

用于资产评分和投资组合选择的门控循环单元模型。

基本思想:

类似于 LSTM，但具有更简单的架构，专注于捕捉顺序依赖性。

模型构造:

GRU 源代码

优点:

比 LSTM 计算需求低；训练时间更快。

缺点:

可能无法像 LSTM 一样有效捕捉长期依赖性。

细节:

GRU 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

LSRE-CAAN

LSRE-CAAN 的整体框架

描述:

LSRE-CAAN 模型是一个基于 Transformer 的资产评分和投资组合选择模型。

基本思想:

结合长序列表示和注意力机制，以解决 AlphaPortfolio 中的效率问题。

模型构造:

LSRE_CAAN 源代码

优点:

在处理长序列方面高效；强大的注意力机制。

缺点:

缺乏理论保证。

细节:

LSRE-CAAN 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

有关更多详细信息，请参阅论文 Online portfolio management via deep reinforcement learning with high-frequency data。

表 7：LSRE-CAAN 框架的超参数。

Hyper-parameter	Choice	描述
Depth of net (L)	1	The number of process layers in LSRE.
Number of latents (M)	1	The number of latents.
Latent dimension (D)	32	The size of the latent space.
Number of cross-heads	1	The number of heads for cross-attention.
Number of latent-heads	1	The number of heads for latent self-attention.
Cross-attention dimension	64	The number of dimensions per cross-attention head.
Self-attention dimension	32	The number of dimensions per latent self-attention head.
Dropout ratio	None	No dropout is used following Jaegle et al. (2022).
Embedding dimension	None	No Embedding layer is used, as illustrated in Section 4.1.
Optimizer	LAMB	An optimizer specifically designed for Transformer-based models.
Learning rate	0.001	Parameter of the LAMB optimizer.
Weight decay rate	0.01	Parameter of the LAMB optimizer.
Training steps	104	Training times.
Episode length (T)	50	The length of an episode.
G	m/2	Half of the assets are identified as winners.
W	100	The look-back window size.

LSTM

描述:

用于资产评分和投资组合选择的长短期记忆模型。

基本思想:

旨在长时间记忆信息，适合时间序列数据。

模型构造:

LSTM 源代码

优点:

非常适合捕捉时间依赖性；在时间序列领域广泛使用。

缺点:

比传统 RNN 更复杂；计算开销可能较大。

细节:

LSTM 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

RNN

描述:

用于资产评分和投资组合选择的递归神经网络模型。

基本思想:

通过保持一个隐状态来处理数据序列，该隐状态捕捉来自先前输入的信息。

模型构造:

RNN 源代码

优点:

架构简单；对短期依赖有效。

缺点:

在长期依赖方面表现较差；可能会遭遇梯度消失问题。

细节:

RNN 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

TCN

描述:

用于资产评分和投资组合选择的时序卷积网络模型。

基本思想:

利用卷积层捕捉序列中的时间依赖性。

模型构造:

TCN 源代码

优点:

能够处理长距离依赖；支持并行训练。

缺点:

可能需要仔细设计网络架构；比 RNN 的可解释性差。

细节:

TCN 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

Transformer

描述:

用于资产评分和投资组合选择的 Transformer 模型。

基本思想:

采用自注意力机制并行处理序列。

模型构造:

Transformer 源代码

优点:

对于广泛的任务非常有效；能够捕捉复杂关系。

缺点:

需要大量计算资源。

细节:

Transformer 模型接受形状为 (batch_size, num_assets, num_features_augmented) 的输入张量 x，其中 num_features_augmented 表示每个资产的特征数量（包括任何预处理或增强的特征）。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

图像表示模型

除了时间序列数据，FinOL 还提供图像表示模型。这些模型旨在从金融图像中提取有意义的表示，例如图表、图形和其他视觉数据。通过这样做，它使研究人员能够利用视觉格式中包含的大量信息，这对模式识别、趋势分析等任务至关重要。将此模型纳入 FinOL 进一步巩固了其作为数据驱动 OLPS 研究的多功能工具的地位。

CNN

描述:

用于资产评分和投资组合选择的卷积神经网络模型。

基本思想:

应用卷积层从资产的图像中提取特征。

模型构造:

CNN 源代码

优点:

对图像分类和特征提取有效。

缺点:

需要大量计算资源。

细节:

CNN 模型接受形状为 (batch_size, num_assets, height, width) 的输入张量 x，其中 height 和 width 是每个资产的图像尺寸。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

CNN-JF

CNN-JF 的整体框架

描述:

CNN-JF 模型是一个基于 CNN 的资产评分和投资组合选择模型。它利用 CNN 来分析以图像形式表示的历史股票价格数据。

基本思想:

利用 CNN 架构捕捉以视觉方式表示的金融时间序列中的模式。

模型构造:

CNN_JF 源代码

优点:

结合视觉数据分析和金融建模的优势。

缺点:

需要大量计算资源。

细节:

CNN-JF 模型接受形状为 (batch_size, num_assets, height, width) 的输入张量 x，其中 height 和 width 是每个资产的图像尺寸。该模型的最终输出是形状为 (batch_size, num_assets) 的张量，每个元素表示对应资产的预测评分。

有关更多详细信息，请参阅论文 (Re-)Imag(in)ing Price Trends。

(Re-)Imag(in)ing Price Trends 的超参数。

Hyper-parameter	Choice	Hyper-parameter	Choice
Kernel Size Height	5	Kernel Size Width	3
Stride Height	3	Stride Width	1
Dilation Height	2	Dilation Width	1
Padding Height	12	Padding Width	1
Dropout Rate	0.5