基于高维数据聚类的算法交易策略若干关键问题研究

算法交易是根据当前的市场信息、数据等分析推断市场走势，从而制定交易策略的一种新兴交易手段。现有的算法交易模型及其相应的交易策略制定问题由于受到数据的动态、多关联、高维等特性的制约，一直没有得到很好的解决。高维数据聚类的最新进展为解决上述问题提供了新的思路。基于高维数据聚类的算法交易策略是目前算法交易领域的一个研究热点。本项目围绕高维数据聚类的算法交易策略中的数据特征降维、相似性度量、初始聚类中心设置及算法交易模型建立等关键问题展开研究，解决动态、多关联、高维数据的聚类问题，提出适合算法交易数据的聚类算法，建立基于关联特征的算法交易模型并根据该模型制定相应的交易策略。项目研究成果对于完善现有的算法交易策略的理论和算法以及拓展聚类分析的应用都具有重要的研究价值，同时可以为实际的金融市场决策提供可行的解决方案及科学依据。

本课题围绕算法交易中高维海量数据分析和算法交易策略模型建立等关键问题展开了研究。针对网络新闻动态变化、高维、高噪声的数据特性，研究提出并构造出了一种基于互信息的特征降维方法和相似性度量算法。基于该算法，完成了新闻文本中对特征描述关键词的分类研究，并通过引入多核学习机制，对历史新闻和市场价格等数据的统计分析，搭建了基于服务的多源信息预测模型框架。进一步研究分析了各类算法交易数据之间混合动态变化的关系，采用了一种基于多核学习的方法分别就不同类型的数据进行了数据分析。同时，充分考虑了实际算法交易应用中对预测精度、以及预测速率的高要求，引入了一种新的学习极限学习机算法习模型进行了改进。基于上述工作，研究设计了一种基于事件驱动的市场交易策略模型，并提出了基于有监督学习的一个交易信号生成框架。上述成果可为金融市场决策提供可行的解决方案和科学依据。