الانتقال إلى المحتوى
جميع مستندات المكتبة

Mid-LSTM للتنبؤ متوسط الأجل بالأسهم مع مراعاة الشذوذ

مقال arXiv papers · المؤلف: Xinyi Li et al.
اقرأ المصدر الأصلي

الملخص

تقترح الورقة نموذج Mid-LSTM للتعلم العميق، يهدف إلى التنبؤ بأسعار الأسهم على أفق متوسط الأجل مع مراعاة شذوذات السوق. ويمثل تصميمه اتجاهات السوق بوصفها حالات خفية. ويصوغ النهج الموصوف أولًا نموذج ARMA متوسط الأجل يدمج الحالات الخفية وCAPM، ثم يجمع بين LSTM ونموذج ماركوف الخفي وشبكات الانحدار الخطي. والهدف المعلن هو الحد من أخطاء التنبؤ المتراكمة وتفسير العوامل المرتبطة بأسعار الأسهم.

تشير التجارب على أسهم S&P 500 إلى تحسن في دقة التنبؤ بنسبة 2–4%. ويذكر المؤلفون أيضًا نتائج لتخصيص المحافظ تصل إلى عائد سنوي قدره 120.16% ومتوسط نسبة شارب قدره 2.99. وهذه ادعاءات واردة في ملخص الورقة؛ ولا يحدد المقتطف فترة التقييم أو خطوط الأساس أو تكاليف المعاملات أو تصميم التحقق أو ضوابط المخاطر. لذلك لا تثبت النتائج وحدها الأداء خارج العينة أو العوائد المتوقعة في التداول الفعلي.

الأفكار الرئيسية

  • يمثل Mid-LSTM اتجاهات السوق كحالات خفية للتنبؤ بالأسهم على المدى المتوسط.
  • يجمع النموذج مكونات LSTM وماركوف الخفي والانحدار الخطي.
  • يعتمد النموذج أيضًا على ARMA وCAPM.
  • تشير تجارب S&P 500 المذكورة إلى تحسن دقة التنبؤ ومقاييس المحفظة، لكن المقتطف لا يورد تفاصيل التقييم.

الوسوم

الأسهمالتعلم الآليالإحصاءبناء المحافظالاختبار التاريخي
النص الكامل
# Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction


# Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction









Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.