DIN：一种通用的侧到侧量化策略研究框架

领军等价

将来报酬领军等价 ：经远距离瞬时领军三维后的下一日报酬领军

瞬时领军三维等价 ：远距离瞬时领军乘以历史文化瞬时领军

其中就会 是数学模型输出， 和 就会整块在一起在损失函数中就会常用。

基本特征分离出，Feture Extractor

首先详述一下DeepLOB和AxialLOB（完全一致请参看原论文）：

Z. Zhang, S. Zohren, and S. Roberts, “Deeplob: Deep convolutional neural networks for limit order books,” IEEE Transactions on Signal Processing, vol. 67, no. 11, pp. 3001–3012, 2019.

D. Kisiel and D. Gorse, “Axial-LOB: High-frequency trading with axial attention,” arXiv preprint arXiv:2212.01807, 2022.

本文明确提出的OrigCIM和FlexCIM也是受到DeepLOB的借鉴，在上去的测试者中就会本文以DeepLOB的结果作为基准。AxialLOB和DeepLOB的差异在于从前者用轴向的视线机制去释放出来长期以来的依赖关连，而DeepLOB（之外OrigCIM和FlexCIM）常用CNN。

再一看OrigCIM，如下由此可知示意图，输出等价 分别经过四个（1*1）的单层互联网后转至ELU酪氨酸，接着从前三个反向转至三个体积为 （ 的单层互联网分别研读对称、全局及对称全局混合基本特征。再度把这个四个反向整块在一起，作为一个FE研读到的基本特征，DIN数学模型就会同时培训n个FE从而研读到多个基本特征，赢取体积为 的下部反向，其中就会 ，。（越来越清楚的阐释看由此可知4下部部分）。

FlexCIM比起OrigCIM的简化在于对下部反向来进行了降维处理事件，如下由此可知3示意图。整个降维拆分两部，第一步是经过CNN，第二步经过CNN或VSN后降维为TxN_A的等价，输出至再一的Postion Sizer（LSTM或TFT）。如果常用TFT的则可以投身一些静态基本特征。

测试者结果对比与比对

数学模型培训信息和测试者信息按90%/10%来进行拆分，拟合解构容器选项Adam，超同上达式拟合解构常用Hyperband和命题演算。在所列信息集来进行了测试者：

期货交易：2000-2022的50个期货交易品种

股份：EURO STOXX 50成分股，2001-2022

倍数币：CoinMarketCap上的8个倍数币，2018-2023

信贷：来自FRB的19个信贷，2000-2023

下同上5给出了在期货交易信息上的测试者结果。其中就会OrigCIM-TFT的平庸最出色，Sharpe为2.95，最大后撤13.8%。

同上10和11给出了在各个国有资产上回测的对比，可以看出该数学模型在期货交易上的平庸最佳。

关于数学模型的可解释性等越来越多细节，请参看原文。

。

甲氨蝶呤片效果怎么样？类风湿患者一定要知道！
经常腰疼
肠炎宁颗粒的功效与作用
胃烧心能吃金奥康吗
感冒是否可以服用阿莫西林