So sánh mô hình học máy cho tín hiệu cổ phiếu tần suất cao

Tóm tắt

Tài liệu phác thảo một thuật toán giao dịch cổ phiếu tần suất cao được đề xuất, sử dụng dự báo của mạng nơ-ron để tạo tín hiệu mua và bán. Nghiên cứu so sánh ba phương pháp: hồi quy logistic tối ưu hóa bằng hàm mất mát entropy chéo và phương pháp quasi-Newton, mạng nơ-ron kết nối đầy đủ và máy véc-tơ hỗ trợ. Lý do được nêu là mạng nơ-ron có thể trích xuất và phân loại đặc trưng từ dữ liệu cổ phiếu, còn phương pháp véc-tơ hỗ trợ ánh xạ các quan sát sang không gian nhiều chiều hơn để phân loại.

Nghiên cứu cho biết họ đánh giá các mô hình này để xác định mô hình nào hiệu quả nhất cho giao dịch thường xuyên, nhưng mô tả không cung cấp bộ dữ liệu, quy tắc tín hiệu, giả định về độ trễ hay khớp lệnh, thước đo hiệu suất hoặc kết quả so sánh. Vì vậy, tài liệu nêu danh sách mô hình và khái niệm giao dịch chung, chứ không đưa ra bằng chứng rằng một mô hình hoạt động tốt nhất hoặc thuật toán khả thi trên thị trường thực. Văn bản được cung cấp không bàn đến chi phí giao dịch, tác động thị trường hay rủi ro từ giao dịch nhanh.

Ý chính

• Chiến lược được đề xuất chuyển dự báo mạng nơ-ron thành tín hiệu mua bán để giao dịch cổ phiếu thường xuyên.
• Phần so sánh gồm hồi quy logistic, mạng nơ-ron kết nối đầy đủ và máy véc-tơ hỗ trợ.
• Các mô hình được trình bày như những phương án thay thế để phân loại dữ liệu cổ phiếu và tạo tín hiệu giao dịch.
• Mô tả không cung cấp bộ dữ liệu hay kết quả hiệu suất để đánh giá phần so sánh.
• Mô tả được cung cấp không đề cập chi phí khớp lệnh, độ trễ hay tác động thị trường.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.