最后 ， 在交易执行层面 ， 为了尽可能的控制交易成本 ， 对于未来价格的预测也是一个序列预测的问题 。 与Feature Extraction与Alpha Modeling预测相对中长期的资产收益率不同的是 ， 交易执行过程中预测的是跟高频的价格变动、成交量变动 ， 以达到最优的执行成本 。 这当中需要考虑多个因素：订单量大小的选择 ， 交易所的选择及订单类型的选择等 。
文章图片
图片来自：Two Sigma
在第二部分序列预测深度学习模型的介绍中 ， David Kriegman从基础的RNN介绍到了LSTM 。 也提到了近年来序列预测模型的热点 ， 主要包括：Transformer和Attention 。 当然CNN也更多的用在了序列预测的问题上 。
对于新手 ， 一个可行的序列预测的学习路径就是：RNN-LSTM-Attention-Transformers-各种新Paper 。
文章图片
图片来自：Two Sigma
最后作者也分享了强化学习的相关应用 ， 强化学习完全是一个端到端的应用 。 主要在游戏和机器人领域取得了很大的成功 。 强化学习本身需要强大的算力及模拟器 。 但在量化投资的应用并没有深度学习那么广泛 。
文章图片
图片来自：Two Sigma
总结
通过本次分享 ， 可以看出深度学习在顶尖对冲基金的应用：
特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。