预测|基于TabNet与高频指标的期货预测模型模型|收益率|指标|快照|TabNet

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，荣获2021年度AMMA优秀品牌力、优秀洞察力大奖，连续2年被腾讯云+社区评选为“年度最佳作者” 。

标题：Order Flow, Technical Analysis And Neural Network: Predicting Short-term Direction Of Futures Contract
来源：techrxiv
作者：Yiyang Zheng

本文使用传统的技术指标与高频指标结合，并使用了TabNet模型对白银期货未来15分钟的收益率构建分类模型。并基于分类模型给出的概率构建了回测，测试结果显示，模型预测准确度超过60% 。对于想使用深度学习模型应用到CTA策略的场景有一定的借鉴意义。
特征
传统技术指标
基于1分钟的K线数据计算以下传统技术指标：

文章图片

文章图片

高频技术指标
高频技术指标主要根据订单流数据计算出近80个指标：
Bid-Ask Spread
首先计算当前快照数据i前K（K=1,2,3,4,5）档bid-ask价差的累计值AccumulatedSpread：
然后计算AccumulatedSpread的滚动均值：
文中，对于每个快照都计算过去m=5,10,15,30分钟的AverageAccumnulatedSpread ，所以这一共20个指标。
Volume imbalance
【预测|基于TabNet与高频指标的期货预测模型】和AccumulatedSpread计算类似，首先计算当前快照数据i前K（K=1,2,3,4,5）档bid-ask订单量的累计值AccumulatedVolumeImbalance：
然后计算AccumulatedSpread的过去m=5,10,15,30分钟的滚动均值，共计20个特征：
Snapshot Type
根据以下逻辑把快照数据分为四个类型：

文章图片

然后，统计过去m=5,10,15,30分钟，四种不同类型的快照的占比，总计16个指标：
接着，同样用上面的逻辑，但过滤掉10手以下的数据点，只统计大单类型的占比，同样也有16个指标：
Open Close Percentage
首先计算快照i持仓量和成交量的变化：
那么快照i时共现的开仓量openContract和平仓量closeContract应该满足以下关系：
从上式可以求出：
然后，可以计算过去m=5,10,15,30分钟开平仓的比率，共4个指标：
Open Interest Percentage
根据以上信息，也可以计算过去m=5,10,15,30分钟持仓变动的比率，共4个指标：
模型
本文使用了TabNet模型， TabNet是一种针对于表格数据的神经网络，它通过类似于加性模型的顺序注意力机制（sequential attention mechanism）实现了instance-wise的特征选择，还通过encoder-decoder框架实现了自监督学习，从而将树模型的可解释性与DNN的表征能力很好地结合到了一起。模型主要的参数设置如下：
模型的特征为前文涉及的近百个特征，预测的目标为未来15分钟的收益率变动的方向，上涨为1 ，下跌为0（训练数据组去除了价格未发生变动的样本）。关于收益率的计算，作者做了些调整，具体定义如下：