跳至正文
返回文库全部文档

LSTM预测次日股票趋势变化

文章 arXiv papers · 作者: Harris Buchanan et al.
阅读原文

总结

E-TRENDS提出一种LSTM预测框架，用于预测次日股票趋势变化。该框架聚焦于标普 500 中市值最大的 30 只股票，并介绍了跨越 2005 至 2025 年多个市场周期的验证。该方法不直接预测趋势水平，而是预测趋势的日变化，作者认为这可以降低偏差与方差之间的权衡。

论文报告称，研究将该方法与普通最小二乘、岭回归、Lasso和LightGBM回归进行比较，并通过投资组合模拟评估其相对于其他模型的盈亏。摘要声称模拟显示经济收益，但没有提供表现数据、投资组合构建细节、交易成本或风险指标。所述评估时期和资产选择也限制了结果的普遍适用范围。本文介绍了一种预测方法和基准测试方案，但仍需更多方法与实证细节，才能评估其稳健性或实盘交易价值。

核心观点

  • 该框架使用 LSTM 预测股票趋势的次日变化。
  • 研究聚焦于标普 500 中规模最大的 30 只股票，评估数据涵盖 2005 至 2025 年。
  • 研究提出，预测变化而非水平有助于降低偏差与方差之间的权衡。
  • 报告列出的基准包括 OLS、岭回归、Lasso和LightGBM回归。
  • 报告称投资组合模拟显示收益，但摘要没有提供具体表现或成本数据。

标签

股票美国市场趋势跟踪机器学习回测
全文
# 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

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。