پیش‌بینی LSTM تغییرات روند سهام در روز بعد

خلاصه

‏E-TRENDS چارچوبی مبتنی بر پیش‌بینی با LSTM را برای تغییرات روز بعد در روند سهام پیشنهاد می‌کند. این پژوهش بر 30 سهم بزرگ S&P 500 تمرکز دارد و اعتبارسنجی در چرخه‌های بازار از 2005 تا 2025 را شرح می‌دهد. روش به‌جای پیش‌بینی مستقیم سطح روند، تغییر روزانه آن را پیش‌بینی می‌کند؛ نویسندگان استدلال می‌کنند که این کار می‌تواند مصالحه سوگیری و واریانس را کاهش دهد.

مقاله مقایسه‌هایی با حداقل مربعات معمولی، Ridge، Lasso و رگرسیون LightGBM و نیز شبیه‌سازی‌های سبد را گزارش می‌کند که سود و زیان را در برابر مدل‌های جایگزین می‌سنجند. چکیده ادعا می‌کند شبیه‌سازی‌ها سود اقتصادی نشان می‌دهند، اما ارقام عملکرد، جزئیات ساخت سبد، هزینه‌های معامله یا سنجه‌های ریسک را ارائه نمی‌کند. دوره ارزیابی و انتخاب دارایی‌ها نیز دامنه تعمیم‌پذیری نتایج را محدود می‌کنند. این توصیف رویکردی برای پیش‌بینی و طرحی برای مقایسه ارائه می‌دهد، اما برای سنجش استحکام یا ارزش آن در معامله زنده، جزئیات روش‌شناختی و تجربی بیشتری لازم است.

ایده‌های کلیدی

• این چارچوب از LSTM برای پیش‌بینی تغییرات روز بعد در روند سهام استفاده می‌کند.
• پژوهش بر 30 سهم بزرگ S&P 500 تمرکز دارد و داده‌های بازه 2005 تا 2025 را ارزیابی می‌کند.
• پیشنهاد شده است که پیش‌بینی تغییرات به‌جای سطح‌ها، مصالحه سوگیری و واریانس را کاهش می‌دهد.
• مبنای مقایسه گزارش‌شده شامل OLS، Ridge، Lasso و رگرسیون LightGBM است.
• گزارش شده که شبیه‌سازی‌های سبد سود نشان می‌دهند، هرچند چکیده جزئیات عملکرد یا هزینه را ارائه نمی‌کند.

برچسب‌ها

# E-TRENDS: Enhanced LSTM Trend Forecasting for Equities


# E-TRENDS: Enhanced LSTM Trend Forecasting for Equities









Trend-following strategies underpin many systematic trading approaches yet struggle under nonstationary and nonlinear market regimes. We propose an LSTM-based framework to forecast next-day trend differences ($Δ_t$) for the top 30 S\&P 500 equities, validated across market cycles (2005--2025). Key contributions include: (i) formal proof of bias-variance reduction via differencing, (ii) exhaustive empirical benchmarks against OLS, Ridge, and Lasso, (iii) portfolio simulations confirming economic gains in terms of overall PNL compared to other models like OLS, Ridge, Lasso or LightGBM Regressor

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.