बाज़ार विसंगतियों को ध्यान में रखकर मध्यावधि शेयर पूर्वानुमान के लिए मिड-LSTM

सारांश

यह शोधपत्र मिड-LSTM प्रस्तावित करता है—बाज़ार विसंगतियों को ध्यान में रखते हुए मध्यावधि में शेयर कीमतों का पूर्वानुमान करने के लिए बनाया गया गहन-अधिगम मॉडल। इसका डिज़ाइन बाज़ार रुझानों को छिपी अवस्थाओं के रूप में दर्शाता है। वर्णित दृष्टिकोण पहले छिपी अवस्थाओं और CAPM को शामिल करने वाला मध्यावधि ARMA मॉडल बनाता है, फिर LSTM, छिपे मार्कोव मॉडल और रैखिक प्रतिगमन नेटवर्क को मिलाता है। घोषित लक्ष्य संचित पूर्वानुमान त्रुटियों को सीमित करना और शेयर कीमतों से जुड़े कारकों को समझाना है।

एस&पी 500 शेयरों पर प्रयोगों में पूर्वानुमान सटीकता 2–4% बेहतर होने की बात बताई गई है। लेखक पोर्टफ़ोलियो आवंटन के नतीजे भी बताते हैं: वार्षिक प्रतिफल 120.16% तक और औसत शार्प अनुपात 2.99। ये शोधपत्र के सारांश के दावे हैं; अंश मूल्यांकन अवधि, आधाररेखाओं, लेनदेन लागत, सत्यापन डिज़ाइन या जोखिम नियंत्रणों को निर्दिष्ट नहीं करता। इसलिए ये नतीजे अपने आप नमूने से बाहर के प्रदर्शन या अपेक्षित लाइव प्रतिफल स्थापित नहीं कर सकते।

मुख्य विचार

• मिड-LSTM मध्यावधि शेयर पूर्वानुमान के लिए बाज़ार रुझानों को छिपी अवस्थाओं के रूप में दर्शाता है।
• मॉडल में LSTM, छिपे मार्कोव और रैखिक प्रतिगमन घटक शामिल हैं।
• इसका सूत्रीकरण ARMA और CAPM पर भी आधारित है।
• बताए गए एस&पी 500 प्रयोगों में पूर्वानुमान सटीकता और पोर्टफ़ोलियो माप बेहतर हैं, लेकिन अंश में मूल्यांकन विवरण नहीं है।

टैग

# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।