Сравнение моделей машинного обучения для высокочастотных сигналов по акциям

Сводка

В документе описан предлагаемый алгоритм высокочастотной торговли акциями, который формирует сигналы покупки и продажи на основе прогнозов нейронной сети. Сравниваются три подхода: логистическая регрессия, оптимизированная с помощью функции потерь кросс-энтропии и квазиньютоновского метода; полносвязная нейронная сеть; и машина опорных векторов. Согласно заявленному обоснованию, нейронная сеть извлекает и классифицирует признаки из данных по акциям, а метод опорных векторов отображает наблюдения в пространство более высокой размерности для классификации.

В исследовании заявлено сравнение этих моделей с целью определить наиболее эффективную для частой торговли, однако в описании нет набора данных, правил формирования сигналов, предположений о задержке или исполнении, метрик эффективности или сравнительных результатов. Поэтому здесь изложен набор моделей и общая торговая концепция, но не приведены доказательства того, что какая-либо модель работает лучше или что алгоритм применим в реальной торговле. В предоставленном тексте не обсуждаются транзакционные издержки, рыночное воздействие и риски быстрой торговли.

Ключевые идеи

• Предлагаемая стратегия преобразует прогнозы нейронной сети в сигналы покупки и продажи для частой торговли акциями.
• Сравниваются логистическая регрессия, полносвязная нейронная сеть и машина опорных векторов.
• Эти модели представлены как альтернативные способы классифицировать данные по акциям и формировать торговые сигналы.
• В описании нет набора данных или результатов, позволяющих оценить сравнение.
• В изложении не рассматриваются издержки исполнения, задержки и рыночное воздействие.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.