Comparer les modèles d’apprentissage automatique pour les signaux boursiers à haute fréquence

Résumé

Le document présente un algorithme proposé de trading d’actions à haute fréquence qui utilise des prédictions de réseau neuronal pour produire des signaux d’achat et de vente. Il compare trois approches : une régression logistique optimisée par une fonction de perte d’entropie croisée et une méthode quasi-Newton, un réseau neuronal entièrement connecté et une machine à vecteurs de support. La justification avancée est que le réseau neuronal peut extraire et classer des caractéristiques des données boursières, tandis que la méthode à vecteurs de support projette les observations dans un espace de dimension supérieure pour les classer.

L’étude indique qu’elle évalue ces modèles pour déterminer lequel convient le mieux au trading fréquent, mais cette description ne fournit ni jeu de données, ni règles de signal, ni hypothèses de latence ou d’exécution, ni mesures de performance, ni résultats comparatifs. Elle présente donc les modèles envisagés et le concept général de trading, sans démontrer qu’un modèle est supérieur ou que l’algorithme est viable en conditions réelles. Le texte fourni ne traite ni des coûts de transaction, ni de l’impact de marché, ni des risques liés au trading rapide.

Idées clés

• La stratégie proposée transforme des prédictions de réseau neuronal en signaux d’achat et de vente pour le trading fréquent d’actions.
• La comparaison comprend la régression logistique, un réseau neuronal entièrement connecté et une machine à vecteurs de support.
• Les modèles sont présentés comme différentes façons de classer les données boursières et de générer des signaux de trading.
• La description ne fournit ni jeu de données ni résultats de performance permettant d’évaluer la comparaison.
• Le compte rendu fourni ne traite ni des coûts d’exécution, ni de la latence, ni de l’impact de marché.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.