Mid-LSTM dự báo cổ phiếu trung hạn có xét đến dị thường

Tóm tắt

Bài nghiên cứu đề xuất Mid-LSTM, một mô hình học sâu nhằm dự báo giá cổ phiếu trong trung hạn đồng thời tính đến các dị thường của thị trường. Thiết kế mô hình biểu diễn xu hướng thị trường dưới dạng trạng thái ẩn. Cách tiếp cận được mô tả trước tiên xây dựng mô hình ARMA trung hạn có xét đến trạng thái ẩn và CAPM, sau đó kết hợp một LSTM, mô hình Markov ẩn và các mạng hồi quy tuyến tính. Mục tiêu được nêu là hạn chế sai số dự báo tích lũy và giải thích các yếu tố liên quan đến giá cổ phiếu.

Các thử nghiệm trên cổ phiếu S&P 500 được báo cáo cho thấy độ chính xác dự báo cải thiện 2–4%. Các tác giả cũng báo cáo kết quả phân bổ danh mục đầu tư đạt lợi suất năm lên tới 120.16% và tỷ lệ Sharpe trung bình là 2.99. Đây là những tuyên bố trong phần tóm tắt bài nghiên cứu; phần trích dẫn không nêu giai đoạn đánh giá, chuẩn đối chiếu, chi phí giao dịch, thiết kế xác thực hoặc biện pháp kiểm soát rủi ro. Vì vậy, chỉ riêng các kết quả này không thể xác lập hiệu suất ngoài mẫu hoặc lợi suất dự kiến khi giao dịch thực.

Ý chính

• Mid-LSTM biểu diễn xu hướng thị trường dưới dạng trạng thái ẩn để dự báo cổ phiếu trung hạn.
• Mô hình kết hợp các thành phần LSTM, Markov ẩn và hồi quy tuyến tính.
• Công thức mô hình cũng dựa trên ARMA và CAPM.
• Các thử nghiệm S&P 500 được báo cáo cho thấy độ chính xác dự báo và chỉ số danh mục đầu tư cải thiện, nhưng phần trích dẫn thiếu chi tiết đánh giá.

Thẻ

# 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.

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.