본문으로 건너뛰기
라이브러리 문서 전체

고빈도 주식 신호를 위한 머신러닝 모형 비교

기사 arXiv papers · 저자: Jiahao Chen et al.
원문 읽기

요약

이 문서는 신경망 예측을 매수·매도 신호로 바꾸는 고빈도 주식 트레이딩 알고리즘을 제안합니다. 교차 엔트로피 손실과 준뉴턴 방법으로 최적화한 로지스틱 회귀, 완전 연결 신경망, 서포트 벡터 머신의 세 가지 접근법을 비교합니다. 신경망은 주식 데이터에서 특성을 추출하고 분류할 수 있으며, 서포트 벡터 방식은 분류를 위해 관측값을 더 높은 차원의 공간으로 매핑한다는 것이 제시된 근거입니다.

연구는 잦은 매매에 가장 효과적인 모형을 찾기 위해 이 모형들을 평가한다고 하지만, 이 설명에는 데이터셋, 신호 규칙, 지연 시간이나 체결 가정, 성과 지표, 비교 결과가 없습니다. 따라서 어떤 모형이 더 나은 성과를 내거나 알고리즘이 실거래 시장에서 실행 가능하다는 증거가 아니라 모형 구성과 일반적인 트레이딩 개념을 전달합니다. 제공된 내용은 거래 비용, 시장 충격, 빠른 매매의 위험을 다루지 않습니다.

핵심 아이디어

  • 제안된 전략은 신경망 예측을 잦은 주식 매매의 매수·매도 신호로 바꿉니다.
  • 비교 대상은 로지스틱 회귀, 완전 연결 신경망, 서포트 벡터 머신입니다.
  • 주식 데이터를 분류하고 트레이딩 신호를 생성하는 대안적 방법으로 세 모형을 제시합니다.
  • 비교를 판단할 데이터셋이나 성과 결과는 설명에 제시되지 않습니다.
  • 제공된 설명은 체결 비용, 지연 시간, 시장 충격을 다루지 않습니다.

태그

주식머신러닝고빈도 매매주문 집행
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.