基于深度學習的金融衍生品RSI指標預測模型

文/侯瑞 高鳳陽 魏赫男

RSI 作為一種滯后指標，在預測短線波動中不能起到太大的作用，理論上來說，短周期RSI 指標雖然敏感，但在區間內快速波動的次數較多，可靠性較差；大周期的RSI 指標雖然非常準確，但敏感度不夠，比較遲鈍，容易錯過最佳買賣點。此外，RSI 是由收盤價決定的，如果日內行情波動較大，上下影線非常長，RSI 就不能夠反映行情變化。因此，在實際K線中，如果短期RSI 曲線向上突破長期RSI 曲線時，稱為RSI 指標“黃金交叉”，構成買入信號；當短期RSI 曲線向下突破長期RSI 曲線時，稱為RSI 指標“死亡交叉”，構成賣出信號。在本模型中，采用了RSI12日指標來作為原始數據。本文中采用普遍采用方法：即RSI 計算方法RS=N 天內收盤價漲幅和的均值÷N 天內收盤價跌幅和的均值RSI=100-100÷（1+RS）計算方法。

1 實現過程

1.1 Keras

Keras 屬于高層神經網絡API，由純Python 編寫，基于谷歌TensorFlow、Theano以及微軟CNTK 后端。Keras 可以快速構建一個實驗項目，得到準確的結果。

1.2 RNN

RNN（循環神經網絡）是一種主流的人工神經網絡，RNN 在不同層的神經元之間也建立帶權連接，當序列推進，以前的隱藏層將對后來的隱藏層產生作用

RNN 具有以下特點：

（1）RNN 的結構與全連接網絡類似。

（2）RNN 有按時間展開的特性。

（3）全連接網絡對每一個樣本只做一次forward，RNN 對一個樣本會做多次forward。

（4）RNN 的缺陷是當輸入數據的時間間隔漸漸變長時，將失去較長時間之前的學習，這種現象稱為梯度消失。

1.3 實現方法

我們的實驗環境為Python 3.7，keras 庫

2.2.4 ，采用Tushare 獲取RSI 數據集

建立多層神經網絡RNN1，RNN1 為RSI形成買賣指標時交易品種的價格變化，建立多層神經網絡RNN2，RNN2 為K 線趨勢產生反復時RSI 的超買超賣強度，輸入原始數據，進行神經網絡學習，輸出數據集。

圖1：實驗輸出結果

RNN1: 100 個節點，接受input1 的50 個特征，以及自身的偏置值，故有(50+1)*100=5100 個參數;

2RNN1: 50 個節點，接受input2 的30 個特征，以及自身t-1 時刻的50 個隱層輸出，故有(30+50+1)*50=4050 個參數;

RNN2: 100 個節點，接受dense1 的100 個隱層輸出，以及自身的偏置值，故有(100+1)*100=10100 個參數;

2RNN2: 50 個節點，接受2RNN1 的50 個隱層的輸出、自身t-1 隱層的輸出，以及自身的偏置值，故有(50+50+1)*50=5050 個參數;

output: 3 個節點，接受RNN2 的100 個隱層的輸出、rnn2 的50 個隱層的輸出，以及自身的偏置值，故有(100+50+1)*3=453 個參數。

2 Python部分代碼

X1 = np.random.rand(10000,50) # 10000 個樣本,50 個特征

X2 = np.random.rand(10000,60,30) # 10000個樣本,60 個時間點,30 個特征

y = np.random.choice([0,1,2],size=10000)

y = np.eye(3,dtype=int)[y]

Input1 = layers.Input(shape=(50,),name='Ex ample3_input1')

RNN1 = layers.Dense(100,activation='relu',name='Example3_RNN1')(Input1)

RNN2 = layers.Dense(100,activation='relu',name='Example3_RNN2')(RNN1)

Input2 = layers.Input(shape=(60,30,),name='Example3_input2')

2RNN1 = layers.SimpleRNN(60,return_seq uences=True,name='Example3_2RNN1')(Input2)

2RNN2 = layers.SimpleRNN(60,name='Exa mple3_2RNN2')(rnn1)

concat = layers.Concatenate(axis=-1,name='Example3_concat')([RNN2,2RNN2])

Output = layers.Dense(3,activation='softmax',name='output')(concat)

model = Model(inputs=[Input1,Input2],outp uts=Output)

model.compile(optimizer='sgd',loss='categor ical_crossentropy')

model.fit([X 1,X 2],y,batch_size=200,epochs=10)

3 實驗結果分析

3.1 結果

在matlab 中將其繪制在坐標軸上，利用線性回歸方程驗證相關性，觀察曲線后發現RSI 超買超賣指標與趨勢變化表現出較強的相關性，但在實際應用中可能有一定的滯后。如圖1所示。

3.2 結論

通過深度學習我們發現RSI 指標在市場中可以起到積極的指導作用，尤其是在長線投資中，投資者可以通過判斷RSI 強弱變化來進行交易。