Passer au contenu
Tous les documents de la bibliothèque

Mid-LSTM pour prévoir les cours à moyen terme en tenant compte des anomalies

Article arXiv papers · Auteur: Xinyi Li et al.
Lire la source originale

Résumé

L’article propose Mid-LSTM, un modèle d’apprentissage profond conçu pour prévoir les cours des actions à moyen terme en tenant compte des anomalies de marché. Sa conception représente les tendances du marché par des états cachés. L’approche décrite formule d’abord un modèle ARMA à moyen terme qui intègre les états cachés et le CAPM, puis combine un LSTM, un modèle de Markov caché et des réseaux de régression linéaire. L’objectif indiqué est de limiter l’accumulation des erreurs de prévision et d’expliquer les facteurs associés aux cours des actions.

Les expériences sur les actions du S&P 500 indiqueraient une amélioration de 2 à 4% de la précision des prévisions. Les auteurs rapportent également des résultats d’allocation de portefeuille allant jusqu’à 120.16% de rendement annuel et un ratio de Sharpe moyen de 2.99. Ce sont les résultats avancés dans le résumé de l’article ; l’extrait ne précise ni la période d’évaluation, ni les références, ni les coûts de trading, ni le protocole de validation, ni les contrôles du risque. Ces résultats ne suffisent donc pas à établir les performances hors échantillon ou les rendements attendus en trading réel.

Idées clés

  • Mid-LSTM représente les tendances du marché par des états cachés pour prévoir les cours des actions à moyen terme.
  • Le modèle combine des composantes LSTM, de Markov caché et de régression linéaire.
  • Sa formulation s’appuie également sur ARMA et CAPM.
  • Les expériences rapportées sur le S&P 500 montrent une amélioration de la précision des prévisions et des indicateurs de portefeuille, mais l’extrait omet les détails d’évaluation.

Étiquettes

ActionsApprentissage automatiqueStatistiquesConstruction de portefeuilleBacktest
Texte intégral
# 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.

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.