MLAT-Autoencoders for Conditional Risk Factors and Asset Pricing---上篇

写在前面

本文对《Machine Learning for Algorithmic Trading》一书第20章进行了梳理及代码复现。这个系列会分为上、下撰写，此篇为上，主要进行理论介绍，下篇则主要进行代码复现的演示。
Chapter20主要介绍了自编码器及其在交易中的应用。自编码器是一种神经网络，经过训练，它可以在学习新的数据表示的同时再现输入（input），并通过隐藏层的参数进行编码。自编码器长期以来一直被用于非线性降维和流形学习。本文将重点介绍自编码器如何通过构建一个深度神经网络来支持交易策略。

第一部分

一、用于非线性特征提取的自编码器
二、代码复现:广义主成分分析和非线性降维
三、代码复现:卷积自编码器对图像进行压缩和去噪

第二部分用于回报预测和交易的条件自编码器

第一步：创建包含股价和元数据信息的新数据集
第二步：计算预测资产特征
第三步：创建和训练条件式自编码器架构
第四步：评估结果

一、用于非线性特征提取的自编码器

通过之前的学习我们了解了神经网络如何通过提取对给定任务有用的特征来实现监督学习。如：卷积神经网络从类似网格的数据中逐渐学习并合成复杂的模式，比如识别检测图像中的目标，或对时间序列进行分类。然而，自动编码器是一种专门用来学习一种新的表示方式的神经网络，这种方式对输入信息进行编码，来帮助解决另一项任务。由于自动编码器通常使用相同的数据作为输入和输出，也被认为是一个自我监督学习的实例。

二、代码复现:广义主成分分析与非线性降维

降维是较为传统的自编码器的应用，过程是通过限制隐藏层的大小从而进行有损压缩。这种自编码器被称为不完整自编码器，它通过最小化损失函数来学习数据的相对显著特性。自动编码器还可以使用前馈、卷积结构来学习分层特征表示。

后续文章会演示使用TensorFlow实现几个自动编码器模型，包括深度前馈网络和稀疏约束自编码器，标题会标注为代码复现（1）。

三、代码复现:卷积自编码器对图像进行压缩和去噪

自编码器可以使用卷积层来学习分层特征表示。卷积自编码器利用卷积和参数共享来学习层次模式和特性，而不管它们的位置或大小变化。

后续文章会演示如何通过卷积和去噪自编码器来恢复损坏的输入图像，标题标注为代码复现（2）。

第二部分：用于回报预测和交易的条件自动编码器

Gu、Kelly和Xiu最近的研究开发了一个基于证券风险因子暴露的资产定价模型。它基于本书前面提到的数据驱动风险因子这个概念。此书作者表明：因子模型用来捕捉“异常”的系统驱动因子的资产特征，它代表了无法直接测量的风险因子的时变暴露程度。在这种情况下，“异常”是指回报率超过由市场总风险敞口所解释的回报率。

第一步：创建包含股价和元数据信息的新数据集
第二步：计算预测资产特征
第三步：创建和训练条件式自动编码器架构
第四步：评估结果

以上步骤会在后续文章中进行代码演示，标题标注为（3）。