Mid-LSTM: mittelfristige Aktienprognosen mit Anomalien

Zusammenfassung

Die Arbeit schlägt Mid-LSTM vor, ein Deep-Learning-Modell, das Aktienkurse über einen mittelfristigen Horizont unter Berücksichtigung von Marktanomalien prognostizieren soll. Es bildet Markttrends als verborgene Zustände ab. Der beschriebene Ansatz formuliert zunächst ein mittelfristiges ARMA-Modell mit verborgenen Zuständen und CAPM und kombiniert anschließend ein LSTM, ein Hidden-Markov-Modell und lineare Regressionsnetze. Ziel ist es, kumulierte Prognosefehler zu begrenzen und Faktoren im Zusammenhang mit Aktienkursen zu erklären.

Den Berichten zufolge zeigen Experimente mit Aktien des S&P 500 eine Verbesserung der Prognosegenauigkeit um 2–4%. Die Autoren berichten außerdem Ergebnisse der Portfolioallokation mit einer Jahresrendite von bis zu 120.16% und einer durchschnittlichen Sharpe Ratio von 2.99. Dies sind Angaben aus der Zusammenfassung der Arbeit; der Auszug nennt weder Evaluationszeitraum und Basismodelle noch Transaktionskosten, Validierungsdesign oder Risikokontrollen. Die Ergebnisse belegen daher für sich genommen weder die Performance außerhalb der Stichprobe noch live erzielte Renditen.

Kernaussagen

• Mid-LSTM bildet Markttrends als verborgene Zustände ab, um Aktien mittelfristig zu prognostizieren.
• Das Modell kombiniert Komponenten für LSTM, Hidden-Markov-Modelle und lineare Regression.
• Die Modellformulierung nutzt außerdem ARMA und CAPM.
• Die berichteten Experimente mit S&P-500-Aktien zeigen eine bessere Prognosegenauigkeit und Portfoliokennzahlen, doch der Auszug lässt Evaluationsdetails aus.

Schlagwörter

# 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.

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.