Mid-LSTM para predecir acciones a medio plazo considerando anomalías

Resumen

El artículo propone Mid-LSTM, un modelo de aprendizaje profundo diseñado para predecir precios de acciones a medio plazo y tener en cuenta las anomalías del mercado. Su diseño representa las tendencias del mercado como estados ocultos. El enfoque descrito formula primero un modelo ARMA a medio plazo que incorpora estados ocultos y CAPM, y después combina un LSTM, un modelo oculto de Markov y redes de regresión lineal. El objetivo declarado es limitar los errores de predicción acumulados y explicar los factores asociados a los precios de las acciones.

Se afirma que los experimentos con acciones del S&P 500 mejoran la precisión de las predicciones en un 2–4%. Los autores también comunican resultados de asignación de cartera de hasta un 120.16% de rentabilidad anual y un ratio de Sharpe medio de 2.99. Son afirmaciones del resumen del artículo; el fragmento no especifica el periodo de evaluación, las referencias de comparación, los costes de transacción, el diseño de validación ni los controles de riesgo. Por tanto, estos resultados no permiten establecer por sí solos el rendimiento fuera de muestra ni la rentabilidad esperada en trading real.

Ideas clave

• Mid-LSTM representa las tendencias del mercado como estados ocultos para predecir acciones a medio plazo.
• El modelo combina componentes LSTM, ocultos de Markov y de regresión lineal.
• Su formulación también se basa en ARMA y CAPM.
• Los experimentos comunicados con el S&P 500 muestran mejoras en la precisión predictiva y las métricas de cartera, pero el fragmento omite detalles de evaluación.

Etiquetas

# 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.

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.