导语：
当你使用深度学习思想开发量化策略时，您是否觉得模型本身是个“黑箱”，对模型做出的投资决策也是倍感疑惑。本文希望通过一种称为“CLEAR_Trade”的可视化方法，帮你跟好地理解深度学习AI量化模型。 BigQuant拥有海量的数据和主流开源AI框架，赋能每一位爱好机器学习/深度学习和量化交易的人。
原文：《Opening the Black Box of Financial AI with CLEAR-Trade: A CLass-Enhanced Attentive Response Approach for Explaining and Visualizing Deep Learning-Driven Stock Market Prediction》
相关文章下载
关键词：深度学习，可视化，人工智能，策略直观解释
与传统算法不同，深度学习算法在更复杂的领域中有着更优越的表现，但同时，也有着更差的解释力，CLEAR-Trade的出现缓解了深度学习解释能力不足的问题，进而展示了深度学习算法在未来会在金融领域将得到更多的运用。
研究背景
深度学习表现优于传统机器学习算法。然而，很多人认为，当前的深度学习算法基本上是无法解释的“黑箱”，这阻碍了深度学习被广泛采用，随着研究问题复杂性增加，特别是在金融业，深度学习的需求大幅增加，“黑箱”问题阻碍了行业的快速发展，为解决此问题，本文提出了CLEAR-Trade方法，可视化解释深层股票市场预测模型的决策。CLEAR_Trade方法的目标是创造一个强大的工具来探视这些难以解释的人工智能金融模型，去更好地观察和理解为什么他们会以那样的方式做出投资决策，进而使可解释的人工智能金融有可能被广泛的采用。
引言
本文提出CLEAR_Trade方法(Class Enhanced Attentive Response)来解释基于深度学习的金融模型是如何做出决策的。如图1所示。
深度学习的算法会首先以行情数据进行输入，然后通过多个CNN卷积层处理，最后得到一个可以直接指导投资决策的输出。
研究方法
之所以CLEAR_Trade方法能够解释深度学习类型的AI量化策略的细节是因为其分析流程如图2所示：
这里假设研究某个股票指数走势，我们以30天的行情数据预测下一个交易日的涨跌。其中，通过每个时间窗口下每天数据对预测结果的贡献水平和最终预测结果的数值指标可以构建出CLEAR_Trade可视化框架。
用于预测股票数据的深度卷积量化AI模型图3所示，具体解释和说明请参考原文。
研究设计
为标准普尔500指数预测而建立深度学习驱动的量化AI模型，即预测下一交易日涨或跌；
选择标准普尔500指数的最近三年交易数据来训练深度卷积神经网络，作为本研究中使用的深度学习AI量化模型。
训练数据是这样标注的，将数据分成30天的时间窗口，如果指数高于前一天，则在第31天将指数的状态（上涨或指数下跌）视为“1”；如果指数低于前一天，则视为“0”。
使用90％的数据作为训练集，剩下10％的数据用作评估模型。
实验结果
CLEAR_Trade可视化结果如图5、图6所示，通过这样的可视化结果我们可以知道时间窗口下每天数据对结果的重要性。
在图5和图6中，左侧是预测结果，红色表示指数下跌，绿色表示指数上涨，其中线条的粗细程度表明时间窗口对预测结果的影响大小。右侧是股价数据，其中单元格颜色的透明度表明了时间窗口对预测结果的重要性。于是，我们可以通过重要性（单元格颜色透明度）和最终涨跌状态（绿色或红色）来更好地明白深度学习AI量化策略的每一个决策细节。
从预测正确的可视化图可以看出，最近4天的数据对预测结果起非常大的作用，这符合直观理解，较之于几周之前的数据而言，越近的数据对预测结果越有意义；从预测错误的可视化图看出，对结果预测起重大作用的数据是3周之前的数据。另外，我们发现在预测正确的例子下，开盘价、最高价、最低价起很大的作用，成交量对趋势的预测并不起作用；在预测错误的例子下，成交量起了很大的作用，所以可能导致预测错误。因此可以看出，CLEAR_Trade方法可以帮助我们了解深度学习AI量化模型的做出投资决策的具体细节。
结论
在本文中，我们提出了CLEAR-Trade方法，通过解释模型的决策过程并将其可视化，深入了解用于股市预测的深度学习AI量化模型的思想，帮助我们更好的理解和打开“黑箱”。
《量化研究每周精选》每周一期，为大家提精选研报、前沿研究、热门文章等优质内容。
联系客服
