基于AI的增强日内成交量比的概率预测，美市表现优于现有基准

“IVE: Enhanced Probabilistic Forecasting of Intraday Volume Ratio with Transformers”

论文地址：https://arxiv.org/pdf/2411.10956

摘要

本文提出了一种新的金融市场成交量比预测方法，专注于执行VWAP策略。研究利用Transformer架构预测一分钟级别的日内成交量比，采用对数正态变换稳定高变异性数据。输入数据包括成交量统计特性、外部成交量相关特征、绝对时间信息和股票特性，以提高预测准确性。

模型结构为编码器-解码器Transformer，配备分布头进行贪婪采样，优化高流动性股票的表现。引入概率预测，捕捉成交量比的均值和标准差，能够预见显著的日内成交量峰值。通过简单交易逻辑的代理在韩国市场进行实盘测试，表现优于VWAP基准，持续两个月半。研究结果显示基于Transformer的概率模型在成交量比预测中的潜力，为未来研究提供了方向。

简介

本研究提出了一种基于Transformer架构的分钟级别的成交量比率预测模型，旨在提高VWAP策略的执行精度。模型采用对数正态变换，克服了传统模型在高波动性成交量比率预测中的局限性。通过丰富的数据集（包括外部成交量特征、时间信息和股票特性）提升预测准确性。引入概率预测方法，能够估计成交量比率的均值和标准差，适应市场波动。在韩国市场的实盘交易测试中，该模型超越了VWAP基准，验证了其实际应用效果。

背景

最佳执行和VWAP

最优执行策略在金融交易中至关重要，旨在降低交易成本，通常通过交易者直觉或数学建模实现。交易绩效的关键指标是成交量加权平均价格（VWAP），其受市场参与者行为影响，反映一段时间内的平均交易价格。

VWAP策略面临的挑战在于市场参与者行为的不确定性和未来市场订单流的随机性。短期精准预测市场条件（如分钟级变化）对VWAP策略的有效实施至关重要，有助于更高效的订单执行。多种VWAP策略已被开发，强调对成交量百分比（POV）、累积成交量百分比（POCV）和周转率的数学建模，以适应短期市场动态。在VWAP策略中，将大订单分解为小订单以减少市场影响并利用价格波动降低交易成本是关键策略，尤其适用于大规模订单。

日内成交量预测

U型日内交易量模式已被观察，历史上使用统计建模（如ARIMA）和传统机器学习方法进行预测。研究表明，基于梯度的方法在精确预测中有效，RNN在50分钟尺度上成功应用，但在短时间尺度上存在梯度消失的限制。

本文采用基于Transformer的结构进行分钟级概率日内交易量预测，构建简单的交易量分布策略，并在VWAP目标策略中表现优越。本研究偏离传统方法，关注通过对数变换稳定交易量比率，以应对交易时段内比率不可用和波动性问题，符合VWAP跟踪策略的复杂性。

方法

数据集构建和特征工程

交易量分析的复杂性超越了简单统计特征，受多种因素影响，包括日内季节性、非平稳性和绝对时间信息。股票流动性水平导致不同的交易量曲线，强调历史交易数据的重要性。

开发的模型IVE（Intraday Volume Estimator）利用Transformer架构，结合时间编码和标准位置嵌入，处理绝对时间信息。模型上下文长度设为390，涵盖完整交易日的历史数据，包含多种交易量相关特征。采用归一化方法确保不同数据集的一致性，模型中嵌入股票特定的分类信息以捕捉独特的交易量特征。模型架构和训练方法基于Transformer，使用分布头概率预测交易量比率。

模型架构和训练

**输入编码方法。**针对高维多变量数据，选择线性投影而非1D卷积层。

**模型架构。**使用变换器架构，输出层为T分布，适应金融市场的厚尾特性。

**训练目标。**预测1至3步，避免时间序列模型的简单插值。

**数据集。**2023年1月25日至8月，涵盖韩美市场前100大股票，使用6月数据作为验证集，8月数据作为测试集。

**模型配置。**变换器架构，4层编码器和解码器，时间上下文为1天，使用AdamW优化器，学习率为3×10^-4。

**性能评估。**与Bi-LSTM、LSTM、RNN等基线算法比较，使用MAE和RMSE指标。

**实验结果。**IVE模型在韩美市场的RMSE和MAE表现优于其他模型，特别是在捕捉交易量动态方面。IVE在美国市场表现优于其他模型，RMSE为0.1678，MAE为0.0876，尽管与BiLSTM-HR的差距较小（RMSE 0.1725，MAE 0.1076），但仍显示出其有效性。IVE能够处理美国市场的复杂性，证明了其设计的稳健性和特征选择的适宜性。IVE在不同市场中的一致表现表明其设计适合多样化的交易环境，特别是在特征集成、时间编码和Transformer架构方面。预测三步而非一步的决策提高了对交易量动态的准确表示，进一步提升了模型性能。

日内交易量峰值检测的可能性

本研究提出了一种概率模型，预测交易量比率并包含均值和标准差的统计特征，区别于以往的点预测研究。假设模型输出的标准差对日内交易量比率增加具有预测能力。

实验分为两个阶段：第一阶段验证预测标准差与交易量比率的线性关系，第二阶段验证预测标准差的首差与正值的交易量比率首差的线性关系。

第一阶段结果：p值为3.56390 × 10^−123，R²为0.07509，系数为0.06954，表明标准差与交易量比率之间存在显著线性关系。

第二阶段结果：p值为3.92482 × 10^−52，R²为0.08087，系数为0.08310，显示标准差与交易量比率首差之间也存在显著线性关系。

结果表明，预测标准差与市场波动性相关，可能为投资者提供风险和机会信号。

尽管p值极低，R²值相对较低，表明模型未能完全解释交易量的变动，需考虑其他因素。在实际交易测试中，模型在交易量比率高于中位数时显示出预测能力，标准差的调整因子为0.2，基于观察性能进行经验调整。

现实世界的交易和结果

评估Intraday Volume Estimator (IVE)模型的实用性。进行现场交易测试，使用简单的交易逻辑。测试在韩国市场进行，通过韩国投资证券公司API。种子资本为3.5亿韩元。

交易策略与执行

每日从前100名KOSPI股票中随机选择5只，排除有交易限制的股票。根据预测的交易量比在最佳买卖价下单。市场收盘前30分钟取消未成交订单并下市场单。市场收盘前10分钟再次取消未成交订单并下最终市场单。该策略执行时间为2023年9月26日至11月23日，共计163个订单，涉及每日3至5只股票。

性能指标

执行交易表现优于市场VWAP，平均优于4.82个基点。执行表现标准差为34.59个基点。市场VWAP超越比率为59%，表明策略超过市场VWAP的次数超过一半。前20%表现优于市场VWAP 15.55个基点，后20%表现差于市场VWAP 10.08个基点。大多数执行未显著偏离市场VWAP。

详细的买入/卖出表现

买卖订单表现差异反映了测试期间的市场条件和波动性。实盘交易测试表明IVE模型能有效执行订单，性能与VWAP策略相当且稳定性合理。整体正向表现指标确认了该模型在实际交易中的实用性。

总结

模型介绍。 提出了基于Transformer的Intraday Volume Estimator (IVE)模型，用于预测金融市场的分钟级内日交易量比率，结合多种特征和分布头实现概率预测。

概率预测。 模型提供概率预测，能够有效预见内日交易量波动，标准差与实际交易量比率的关系经过实证验证，显示出市场不确定性和波动性。

实用交易应用。 在韩国市场进行的实盘测试中，IVE模型的表现优于VWAP基准，执行表现平均优于市场VWAP 4.82个基点，击败率为59%。

实验结果。 在韩国和美国市场的广泛实验中，IVE模型显示出相较于现有方法的改进，具备良好的鲁棒性和适应性。

未来研究方向。 未来可探索整合更多市场指标、优化概率预测机制及实时交易策略调整的高级优化技术，以提升执行效果。

结论。 本研究在内日交易量比率预测领域取得进展，将Transformer架构与实际交易应用相结合。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】