Mid-LSTM для прогноза акций с учётом аномалий

Сводка

В статье предложена модель глубокого обучения Mid-LSTM для прогноза цен акций на среднесрочном горизонте с учётом рыночных аномалий. Рыночные тренды в ней представлены как скрытые состояния. Описанный подход сначала задаёт среднесрочную модель ARMA с учётом скрытых состояний и CAPM, а затем объединяет LSTM, скрытую марковскую модель и сети линейной регрессии. Заявленная цель — ограничить накопление ошибок прогноза и объяснить факторы, связанные с ценами акций.

По сообщению авторов, эксперименты с акциями S&P 500 показали улучшение точности прогноза на 2–4%. Также они сообщают о результатах распределения портфеля с годовой доходностью до 120.16% и средним коэффициентом Шарпа 2.99. Это утверждения из краткого описания статьи; во фрагменте не указаны период оценки, базовые модели, транзакционные издержки, схема валидации или меры контроля риска. Поэтому эти результаты сами по себе не подтверждают эффективность вне выборки или ожидаемую доходность при реальной торговле.

Ключевые идеи

• Mid-LSTM представляет рыночные тренды как скрытые состояния для среднесрочного прогноза акций.
• Модель объединяет компоненты LSTM, скрытой марковской модели и линейной регрессии.
• В формулировке также используются ARMA и CAPM.
• В экспериментах с акциями S&P 500 сообщается о повышении точности прогноза и улучшении показателей портфеля, но подробности оценки не приведены.

Теги

# 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.

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.