Mid-LSTM para prever ações no médio prazo considerando anomalias

Resumo

O artigo propõe o Mid-LSTM, um modelo de deep learning destinado a prever preços de ações em um horizonte de médio prazo, considerando anomalias de mercado. Seu desenho representa tendências de mercado como estados ocultos. A abordagem descrita primeiro formula um modelo ARMA de médio prazo que incorpora estados ocultos e CAPM, depois combina um LSTM, um modelo oculto de Markov e redes de regressão linear. O objetivo declarado é limitar erros de previsão acumulados e explicar fatores associados aos preços das ações.

Relata-se que experimentos com ações do S&P 500 mostram uma melhora de 2–4% na precisão das previsões. Os autores também relatam resultados de alocação de carteira de até 120.16% de retorno anual e índice de Sharpe médio de 2.99. Essas são alegações do resumo do artigo; o trecho não especifica o período de avaliação, as referências, os custos de transação, o desenho da validação ou os controles de risco. Portanto, os resultados não comprovam por si só o desempenho fora da amostra nem os retornos esperados ao vivo.

Ideias principais

• O Mid-LSTM representa tendências de mercado como estados ocultos para prever ações no médio prazo.
• O modelo combina componentes LSTM, de Markov oculto e de regressão linear.
• Sua formulação também se baseia em ARMA e CAPM.
• Os experimentos relatados com o S&P 500 mostram melhora na precisão das previsões e nas métricas da carteira, mas o trecho omite detalhes da avaliação.

Tags

# 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.

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.