Comparação de modelos de aprendizado de máquina para sinais de ações de alta frequência

Resumo

O documento apresenta um algoritmo proposto de trading de ações de alta frequência que usa previsões de redes neurais para gerar sinais de compra e venda. Compara três abordagens: regressão logística otimizada com perda de entropia cruzada e um método quase-Newton, uma rede neural totalmente conectada e uma máquina de vetores de suporte. A justificativa apresentada é que a rede neural pode extrair e classificar características dos dados de ações, enquanto o método de vetores de suporte mapeia observações para um espaço de dimensão maior para classificá-las.

O estudo afirma avaliar esses modelos para determinar qual é mais eficaz no trading frequente, mas esta descrição não fornece conjunto de dados, regras dos sinais, premissas de latência ou execução, métricas de desempenho nem resultados comparativos. Portanto, comunica a lista de modelos e o conceito geral de trading, sem evidências de que algum modelo tenha melhor desempenho ou de que o algoritmo seja viável nos mercados ao vivo. O texto fornecido não discute custos de transação, impacto no mercado nem riscos do trading rápido.

Ideias principais

• A estratégia proposta converte previsões de redes neurais em sinais de compra e venda para o trading frequente de ações.
• A comparação inclui regressão logística, uma rede neural totalmente conectada e uma máquina de vetores de suporte.
• Os modelos são apresentados como alternativas para classificar dados de ações e gerar sinais de trading.
• A descrição não fornece conjunto de dados nem resultados de desempenho que permitam avaliar a comparação.
• O relato fornecido não aborda custos de execução, latência nem impacto no mercado.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.