Прогнозирование изменений тренда акций на следующий день с помощью LSTM

Сводка

E-TRENDS предлагает методическую основу на базе LSTM для прогнозирования изменений тренда акций на следующий день. В центре внимания — 30 крупнейших акций S&P 500; описана проверка на разных рыночных циклах с 2005 по 2025. Вместо прямого прогноза уровня тренда метод прогнозирует его дневное изменение, что, по мнению авторов, может снизить компромисс между смещением и дисперсией.

В статье приводятся сравнения с регрессией методом наименьших квадратов, Ridge, Lasso и LightGBM, а также симуляции портфелей, оценивающие прибыль и убыток относительно альтернативных моделей. В аннотации утверждается, что симуляции показывают экономические выгоды, но не приводятся показатели эффективности, детали построения портфеля, транзакционные издержки или меры риска. Указанный период оценки и выбор активов также ограничивают возможность обобщить результаты. Описание представляет подход к прогнозированию и план сравнения с эталонами, но для оценки устойчивости или применимости к реальной торговле нужны дополнительные методологические и эмпирические сведения.

Ключевые идеи

• В методической основе используется LSTM для прогнозирования изменений тренда акций на следующий день.
• Исследование посвящено 30 крупным акциям S&P 500; для оценки используются данные за период с 2005 по 2025.
• Вместо уровней предлагается прогнозировать изменения, чтобы снизить компромисс между смещением и дисперсией.
• Среди указанных эталонов — OLS, Ridge, Lasso и регрессия LightGBM.
• Согласно статье, симуляции портфелей показывают выгоды, хотя в аннотации нет подробных данных об эффективности или издержках.

Теги

# E-TRENDS: Enhanced LSTM Trend Forecasting for Equities


# E-TRENDS: Enhanced LSTM Trend Forecasting for Equities









Trend-following strategies underpin many systematic trading approaches yet struggle under nonstationary and nonlinear market regimes. We propose an LSTM-based framework to forecast next-day trend differences ($Δ_t$) for the top 30 S\&P 500 equities, validated across market cycles (2005--2025). Key contributions include: (i) formal proof of bias-variance reduction via differencing, (ii) exhaustive empirical benchmarks against OLS, Ridge, and Lasso, (iii) portfolio simulations confirming economic gains in terms of overall PNL compared to other models like OLS, Ridge, Lasso or LightGBM Regressor

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.