一种基于ε不敏感对数损失的在线做市方法与流程

本发明属于金融科技领域，尤其涉及在线学习、做市交易问题，具体是指一种基于ε不敏感对数损失的在线做市策略。
背景技术：
：做市策略是一种量化高频交易策略。做市策略的收益来自于双向报价的买卖价差，通过低价买入和高价卖出不断累计价差。做市策略收益和基准价、报价价差、报单量密切相关，合理地选择这三个值能够提升做市策略的收益。随着人工智能相关理论技术的快速发展成熟，机器学习等技术在金融科技领域有越来越多的应用，其中在线学习算法因其独特的优势也在交易策略研究中有更多的应用。在线学习算法能够根据新来的数据，不停学习更新参数，动态适应数据中新模式，同时不断最小化遗憾。在线学习中，根据模型的类型，选择不同的损失函数，可以不同的学习算法。google公司的h.brendanmcmahan在2010年提出ftrl(followtheregularizedleader)算法，在2011年发表了一篇关于ftrl和aogd、fobos、rda比较的论文，2013年又和garyholt,d.sculley,michaelyoung等人发表了一篇关于ftrl工程化实现的论文，ftrl算法在处理诸如逻辑回归之类的带非光滑正则化项的凸优化问题上有着非常出色的性能，在点击率预测和推荐系统中有着很多的应用。ftrl算法的一个重要特点是能够为不同特征产生自适应的学习率，克服了使用全局学习率带来的问题。jacobabernethy等人在2013年提出利用在线学习进行做市的方法。该方法以收盘价为基准价，使用不同的报价价差来构建多个候选子策略，同时使用在线学习的方法来更新候选子策略的权重。但是由于该方法更新权重是仅仅依赖于候选子策略的在上一轮的收益来确定权重分布，一些总收益较低的候选子策略的权重更新的过程中也可能获得比较大的权重，这导致该方法具有一定的不稳定性。技术实现要素：本发明提出了一种基于ε不敏感对数损失的在线做市方法，它根据期货分钟级别ohlc数据构建多个候选子策略，同时提出候选子策略的加权收益和理论最优策略的加权收益存在线性关系。本发明以ε不敏感对数损失作为损失函数，使用followtheregularizedleader在线学习算法动态更新候选子策略的权重，最后根据权重计算主策略的目标仓位并调整主策略的仓位等于目标仓位。为了达到上述技术效果，本发明的技术方案如下：一种基于ε不敏感对数损失的在线做市方法，包括以下步骤：s1：选择期货品种，获取所选品种的分钟级ohlc数据；s2：构建模拟执行做市策略的候选子策略，初始化候选子策略的权重；s3：读取过去一个周期的ohlc数据，计算候选子策略的市值、现金和持仓，计算理论最优策略的市值，将理论最优策略的收益表示为候选子策略的收益的线性关系；s4:利用在线学习算法，更新候选子策略权重；s5:根据候选子策略权重计算目标仓位，调整主策略的仓位等于目标仓位；s6:候选子策略按照做市方法，根据前一段时间期货收盘价的均值和标准差，模拟发出买单和卖单；每经过一个周期，重复s3～s6，主策略从开始运行到当前时刻的市值之差即为主策略的收益。进一步地，步骤s2中模拟执行做市策略的候选子策略s1，s2，...，sn的持仓记为h1，h2，...，hn，现金记为c1，c2，...，cn，市值记为v1，v2，...，vn，各候选子策略的权重初始化为根据当前时刻的前t条分钟级ohlc数据，可以得到期货在过去t分钟的收盘价平均值和收盘价标准差σ。候选子策略执行做市策略时，以不同的倍率同时发送k个买单和k个卖单，记所选期货的最小价格变动为p，记策略s1，s2，...，sn的倍率为r1，r2，...，rn，则候选子策略si的买单的价格分别为候选子策略si的卖单的价格分别为进一步地，步骤s3中理论最优策略在一个周期的收益的计算方法为：以读取m条分钟级ohlc数据为一个周期，过去一个周期的最高价为high，最低价为low，则理论最优策略在过去一个周期的收益为：δvbest＝k(high-low)-2(k-1)p理论最优策略的在t时刻的市值记为则对于时刻t，理论最优策略的市值更新为：对于时刻t，构造线性关系为：其中，为候选子策略si不同时期收益的加权和，yt为理论最优策略不同时期收益的加权和，记l1,l2,l3为不同时期收益的权重，则yt的计算方式为：进一步地，步骤s4中更新候选子策略权重时使用了自适应学习率ftrl算法，对于时刻t，权重w的更新方式为：其中，为权重更新的梯度，α，β，λ1为超参数。特别的，本方法使用ε不敏感对数损失作为每次更新权重时的损失：losst＝log(1+e(wtxt-yt)-ε)+log(1+e-(wtxt-yt)-ε)+2log(1+e-ε)则梯度为：进一步地，s5中调整主策略仓位的方法为：计算目标仓位如果主策略当前仓位ht小于则向市场发手买单，反之，则向市场发手卖单。与现有技术相比，本发明技术方案的有益效果是：本发明方法使用收盘价的均值作为基准价，使用收盘价的标准差的倍率作为报价价差；然后构建了最优策略收益和候选子策略之间的线性关系；接着本方法使用ε不敏感损失作为损失函数，利用ftrl在线学习算法更新候选子策略的权重；最后根据得到的权重计算目标仓位，然后更新主策略的仓位等于目标仓位。本方法能够更好地拟合真实的市场情况，具有较好的稳定性。附图说明图1是基于ε不敏感对数损失的在线做市策略的流程图。图2是ε不敏感对数损失对于不同ε值的函数图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；对于本领域技术人员来说，附图中的某些公知结构以及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。如图1所示的一种基于ε不敏感对数损失的在线做市方法的步骤，在步骤s1中，选择期货市场中某一品种作为交易品种，获取其分钟级ohlc数据。在步骤s2中，使用该品种的收盘价的平均值作为做市的基准价，使用收盘价标准差乘以不同的倍率作为报价价差构建多个不同候选子策略s1，s2，...，sn，然后初始化候选子策略的权重为在步骤s3中，理论最优策略的在t时刻的市值记为则对于时刻t，理论最优策略的市值更新为：然后对于时刻t，构造如下的线性关系为：其中，为候选子策略si不同时期收益的加权和，yt为理论最优策略不同时期收益的加权和，记l1,l2,l3为不同时期收益的权重，则yt的计算方式为：特别的，在步骤s4中，选择ε不敏感对数损失函数作为每次更新权重时的损失函数：ε不敏感对数损失函数的函数图像如图2所示，对其求导可得到权重的梯度：之后使用ftrl在线学习算法对权重进行更新，具体的算法如下所示：ftrl算法：1.输入超参数α，β，λ1，λ2，ε，初始化ni＝0，zi＝0，输入特征xt和真实值yt2.输出更新后的权重wt3.计算预测值y′＝wtxt4.对于i∈{1，2，...，n}，计算：5.更新权重，对于i∈{1，2，...，n}，计算：最后，在步骤s5中，根据s4学习到的候选子策略的权重，计算目标仓位如果主策略当前仓位ht小于则向市场发手买单，反之，则向市场发手卖单。表1是使用本方法在多个期货品种上运行得到的结果：ru.shfzn.shfcf.czcl.dce年化收益21.32％8.66％3.6％4.25％夏普率1.711.591.531.72表1可以看到，本方法在多个期货品种上都能够取得较好的收益，同时也能够拥有较高的夏普率。本方法使用ε不敏感损失作为损失函数，利用ftrl在线学习算法更新候选子策略的权重。经过多组真实市场结果验证，本方法能够很好地拟合真实的市场情况，具有较好的稳定性。当前第1页12