غیر معمولی حالات سے آگاہ درمیانی مدتی حصص پیش گوئی کے لیے مڈ-LSTM

خلاصہ

مقالہ مڈ-LSTM پیش کرتا ہے، جو درمیانی مدت میں حصص کی قیمتوں کی پیش گوئی کے لیے گہری سیکھنے کا ماڈل ہے اور مارکیٹ کی بے قاعدگیوں کو بھی مدنظر رکھتا ہے۔ اس کے ڈیزائن میں مارکیٹ کے رجحانات کو پوشیدہ حالتوں کے طور پر ظاہر کیا جاتا ہے۔ بیان کردہ طریقہ پہلے پوشیدہ حالتوں اور CAPM کو شامل کرنے والا درمیانی مدت کا ARMA ماڈل بناتا ہے، پھر ایک LSTM، پوشیدہ مارکوف ماڈل اور خطی رجعت کے نیٹ ورکس کو یکجا کرتا ہے۔ بیان کردہ مقصد پیش گوئی کی جمع ہوتی غلطیوں کو محدود کرنا اور حصص کی قیمتوں سے وابستہ عوامل کی وضاحت کرنا ہے۔

ایس اینڈ پی 500 کے حصص پر تجربات میں پیش گوئی کی درستگی میں 2–4% بہتری رپورٹ کی گئی ہے۔ مصنفین پورٹ فولیو تخصیص کے نتائج میں زیادہ سے زیادہ 120.16% سالانہ منافع اور اوسط شارپ تناسب 2.99 بھی بتاتے ہیں۔ یہ مقالے کے خلاصے کے دعوے ہیں؛ اقتباس جانچ کی مدت، بنیادی ماڈلز، لین دین کے اخراجات، توثیق کے ڈیزائن یا خطرے پر قابو پانے کے اقدامات نہیں بتاتا۔ اس لیے یہ نتائج بذاتِ خود نمونے سے باہر کی کارکردگی یا متوقع لائیو منافع ثابت نہیں کرتے۔

اہم خیالات

• مڈ-LSTM درمیانی مدت کی حصص پیش گوئی کے لیے مارکیٹ کے رجحانات کو پوشیدہ حالتوں کے طور پر ظاہر کرتا ہے۔
• ماڈل میں LSTM، پوشیدہ مارکوف اور خطی رجعت کے اجزا یکجا ہیں۔
• اس کی تشکیل میں ARMA اور CAPM بھی شامل ہیں۔
• ایس اینڈ پی 500 کے تجربات میں پیش گوئی کی درستگی اور پورٹ فولیو کے پیمانوں میں بہتری رپورٹ ہوئی، مگر اقتباس جانچ کی تفصیلات نہیں دیتا۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔