Maschinelle Lernmodelle für Hochfrequenz-Aktienhandelssignale im Vergleich

Zusammenfassung

Das Dokument skizziert einen vorgeschlagenen Hochfrequenzhandelsalgorithmus für Aktien, der mithilfe neuronaler Netzwerkprognosen Kauf- und Verkaufssignale erzeugt. Es vergleicht drei Ansätze: logistische Regression, optimiert mit Kreuzentropieverlust und einem Quasi-Newton-Verfahren, ein vollständig verbundenes neuronales Netzwerk und eine Support-Vektor-Maschine. Als Begründung wird angeführt, dass das neuronale Netzwerk Merkmale aus Aktiendaten extrahieren und klassifizieren kann, während das Support-Vektor-Verfahren Beobachtungen zur Klassifikation in einen höherdimensionalen Raum abbildet.

Laut Studie werden diese Modelle daraufhin untersucht, welches sich für häufigen Handel am besten eignet. Die Beschreibung enthält jedoch weder einen Datensatz noch Signalregeln, Annahmen zu Latenz oder Ausführung, Performance-Kennzahlen oder Vergleichsergebnisse. Sie vermittelt somit die Modellauswahl und das allgemeine Handelskonzept, aber keinen Nachweis dafür, dass ein Modell am besten abschneidet oder der Algorithmus im Live-Handel tragfähig ist. Der bereitgestellte Text behandelt weder Transaktionskosten und Markteinfluss noch Risiken schnellen Handels.

Kernaussagen

• Die vorgeschlagene Strategie wandelt Prognosen eines neuronalen Netzes in Kauf- und Verkaufssignale für den häufigen Aktienhandel um.
• Verglichen werden logistische Regression, ein vollständig verbundenes neuronales Netzwerk und eine Support-Vektor-Maschine.
• Die Modelle werden als alternative Methoden zur Klassifikation von Aktiendaten und zur Erzeugung von Handelssignalen vorgestellt.
• Die Beschreibung enthält weder einen Datensatz noch Performance-Ergebnisse, anhand derer sich der Vergleich beurteilen ließe.
• Ausführungskosten, Latenz und Markteinfluss werden in der vorliegenden Darstellung nicht behandelt.

Schlagwörter

# Analysis of frequent trading effects of various machine learning models


# Analysis of frequent trading effects of various machine learning models









In recent years, high-frequency trading has emerged as a crucial strategy in stock trading. This study aims to develop an advanced high-frequency trading algorithm and compare the performance of three different mathematical models: the combination of the cross-entropy loss function and the quasi-Newton algorithm, the FCNN model, and the vector machine. The proposed algorithm employs neural network predictions to generate trading signals and execute buy and sell operations based on specific conditions. By harnessing the power of neural networks, the algorithm enhances the accuracy and reliability of the trading strategy. To assess the effectiveness of the algorithm, the study evaluates the performance of the three mathematical models. The combination of the cross-entropy loss function and the quasi-Newton algorithm is a widely utilized logistic regression approach. The FCNN model, on the other hand, is a deep learning algorithm that can extract and classify features from stock data. Meanwhile, the vector machine is a supervised learning algorithm recognized for achieving improved classification results by mapping data into high-dimensional spaces. By comparing the performance of these three models, the study aims to determine the most effective approach for high-frequency trading. This research makes a valuable contribution by introducing a novel methodology for high-frequency trading, thereby providing investors with a more accurate and reliable stock trading strategy.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.