עבור לתוכן
כל מסמכי הספרייה

Mid-LSTM לחיזוי מניות בטווח הבינוני המודע לאנומליות

מאמר arXiv papers · מחבר: Xinyi Li et al.
לקריאת המקור

סיכום

המאמר מציע את Mid-LSTM, מודל למידה עמוקה שנועד לחזות מחירי מניות באופק בינוני תוך התחשבות באנומליות שוק. התכנון שלו מייצג מגמות שוק כמצבים חבויים. הגישה המתוארת מנסחת תחילה מודל ARMA לטווח הבינוני המשלב מצבים חבויים ו־CAPM, ואז משלבת LSTM, מודל Markov חבוי ורשתות רגרסיה ליניארית. המטרה המוצהרת היא להגביל שגיאות חיזוי מצטברות ולהסביר גורמים הקשורים למחירי מניות.

מדווח כי ניסויים במניות S&P 500 הראו שיפור של 2–4% בדיוק החיזוי. המחברים מדווחים גם על תוצאות הקצאת תיק של עד 120.16% תשואה שנתית ועל יחס Sharpe ממוצע של 2.99. אלה טענות מתוך סיכום המאמר; הקטע אינו מציין את תקופת ההערכה, קווי הבסיס, עלויות העסקה, תכנון האימות או בקרות הסיכון. לכן התוצאות אינן יכולות לבסס בפני עצמן ביצועים מחוץ למדגם או תשואות צפויות במסחר חי.

רעיונות מרכזיים

  • Mid-LSTM מייצג מגמות שוק כמצבים חבויים לחיזוי מניות בטווח הבינוני.
  • המודל משלב רכיבים של LSTM, Markov חבוי ורגרסיה ליניארית.
  • הניסוח שלו נשען גם על ARMA ועל CAPM.
  • הניסויים המדווחים במניות S&P 500 מראים שיפור בדיוק החיזוי ובמדדי התיק, אך הקטע משמיט פרטי הערכה.

תגיות

מניותלמידת מכונהסטטיסטיקהבניית תיקבדיקת ביצועים היסטוריים
הטקסט המלא
# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.