مدل میان‌مدت LSTM برای پیش‌بینی سهام آگاه از ناهنجاری

خلاصه

این مقاله مدل یادگیری عمیق میان‌مدت LSTM را برای پیش‌بینی قیمت سهام با درنظرگرفتن ناهنجاری‌های بازار پیشنهاد می‌کند. در طراحی آن، روندهای بازار به‌صورت حالت‌های پنهان نمایش داده می‌شوند. رویکرد توصیف‌شده ابتدا مدل ARMA میان‌مدتی را صورت‌بندی می‌کند که حالت‌های پنهان و CAPM را دربرمی‌گیرد، سپس یک LSTM، مدل مارکوف پنهان و شبکه‌های رگرسیون خطی را ترکیب می‌کند. هدف اعلام‌شده، محدود کردن خطاهای انباشته پیش‌بینی و توضیح عوامل مرتبط با قیمت سهام است.

گزارش شده است که آزمایش‌ها روی سهام اس‌اندپی 500 بهبود 2 تا 4% در دقت پیش‌بینی نشان می‌دهند. نویسندگان همچنین نتایج تخصیص پرتفوی را با بازده سالانه حداکثر 120.16% و میانگین نسبت شارپ 2.99 گزارش می‌کنند. این‌ها ادعاهای خلاصه مقاله‌اند؛ گزیده دوره ارزیابی، معیارهای مبنا، هزینه‌های معاملاتی، طراحی اعتبارسنجی یا کنترل‌های ریسک را مشخص نمی‌کند. بنابراین نتایج به‌تنهایی عملکرد برون‌نمونه یا بازده موردانتظار در معامله زنده را اثبات نمی‌کنند.

ایده‌های کلیدی

• مدل میان‌مدت LSTM روندهای بازار را برای پیش‌بینی میان‌مدت سهام به‌صورت حالت‌های پنهان نمایش می‌دهد.
• مدل، مؤلفه‌های LSTM، مارکوف پنهان و رگرسیون خطی را ترکیب می‌کند.
• صورت‌بندی آن همچنین از ARMA و CAPM بهره می‌گیرد.
• آزمایش‌های گزارش‌شده روی اس‌اندپی 500 بهبود دقت پیش‌بینی و سنجه‌های پرتفوی را نشان می‌دهند، اما گزیده جزئیات ارزیابی را حذف کرده است.

برچسب‌ها

# 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.

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.