- 用深度学习优化权益交易量预测 （State Street Corporation）
• 背景
在金融界，交易量预测是一个重要课题，特别是对那些提供资产管理和交易执行服务的机构。因为交易量预测不仅帮助机构更好的分配资源，而且它给予了交易者一个更好的视野。在本交易项目中，我们讨论用深度学习技术和包来构建市场分段后的日权益类交易尺寸。
• 输入
一个金融机构可能会为多种投资类型基金服务，所以其日交易行为的短时模式会非常复杂，需要一系列因素进行分离，包括：
1） 金融市场指数
2） 市场指数重构计划表
3） 历史交易尺寸
4） 区域市场临时相关性
5） 特殊年历日
• AI技术
预测分析的核心是采用了基于多层卷积神经网络的Seq2Seq模型。模型包含两个编码器和一个解码器，第一个编码器转化市场指数数据并从中提取特征，第二个编码器对历史交易数据和日历指示变量做类似的工作。两个编码器的输出结合起来进入带注意力机制的解码器网络，该解码器包含一个捕捉短期信息的CNN层和长期信息的空洞CNN层。
整个模型采用的深度学习框架是PyTorch，同时支持CPU和GPU的训练和计算。
• 团队结构和研发过程
团队成员包含2个数据科学家，一个金融工程师和一个商业分析师。他们的教育背景包括数学、统计学、机器学习和量化金融。
此项目是在2018年8月启动的，经过三个月的调研、讨论和测试，最终确定了模型结构且进入了模型服务封装阶段，此时模型验证团队和IT团队也参与进来。
模型验证团队使用内部模型验证器来检验模型在各种场景下的表现，并给出模型鲁棒性的建议。
IT团队有一个架构师、两个研发人员和一个质量保证工程师。他们将整个模型安全、弹性地封装成RESTful服务，用户可以以多种语言来请求服务。另外还包括用户认证和鉴权、模型弹性部署、数据交换加密、灾难恢复和审计日志等。
2019年1月发布了第一个beta版，以内部交易数据进行测试。测试数据集包含了日权益交易尺寸数据，覆盖了63个不同交易风格的市场和基金。经过测试，模型与美国市场的决定性系数为0.86，与其他市场为0.54，这个结果是符合预期的。同时在测试中，模型成功捕捉到了几次由FTSE指数重构引起的交易尺寸峰值。
• 关键点
当输入因子积累到一定尺寸，模型会重新训练以适应潜在的结构变化。
AI确实给State Street 提供了额外的能力。
未来项目将会借鉴此项目的经验整合架构设计标准，数据治理和项目生命周期管理。
