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。

目录

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。