Comparación de modelos de aprendizaje automático para señales bursátiles de alta frecuencia

Resumen

El documento presenta un algoritmo propuesto de trading bursátil de alta frecuencia que utiliza predicciones de redes neuronales para generar señales de compra y venta. Compara tres enfoques: regresión logística optimizada con pérdida de entropía cruzada y un método cuasi-Newton, una red neuronal totalmente conectada y una máquina de vectores de soporte. La justificación expuesta es que la red neuronal puede extraer y clasificar características de los datos bursátiles, mientras que el método de vectores de soporte asigna las observaciones a un espacio de mayor dimensión para clasificarlas.

El estudio afirma que evalúa estos modelos para determinar cuál es más eficaz en el trading frecuente, pero esta descripción no proporciona datos, reglas de señales, supuestos de latencia o ejecución, métricas de rendimiento ni resultados comparativos. Por tanto, expone los modelos considerados y el concepto general de trading, pero no demuestra que un modelo rinda mejor ni que el algoritmo sea viable en mercados reales. El texto proporcionado no aborda los costes de transacción, el impacto de mercado ni los riesgos del trading rápido.

Ideas clave

• La estrategia propuesta convierte las predicciones de redes neuronales en señales de compra y venta para operar acciones con frecuencia.
• La comparación incluye regresión logística, una red neuronal totalmente conectada y una máquina de vectores de soporte.
• Los modelos se presentan como métodos alternativos para clasificar datos bursátiles y generar señales de trading.
• La descripción no proporciona datos ni resultados de rendimiento para evaluar la comparación.
• La explicación proporcionada no aborda los costes de ejecución, la latencia ni el impacto de mercado.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.