Red neuronal híbrida CNN-LSTM-GNN para la predicción de acciones A

Área de la Ciencia:

• Finanzas computacionales
• Aprendizaje automático
• Econometría financiera

Sus antecedentes:

• Los modelos de aprendizaje profundo ofrecen un rendimiento superior en la predicción de acciones en comparación con los métodos tradicionales.
• Los modelos existentes a menudo carecen de transparencia en la selección de características y de aplicabilidad directa a la selección de poblaciones.
• Predecir las tendencias de los índices bursátiles o las existencias individuales es un desafío para la aplicación práctica.

Objetivo del estudio:

• Proponer una nueva red neuronal híbrida multivariada, CNN-LSTM-GNN (CLGNN), para la predicción y selección de acciones.
• Desarrollar un método eficaz de selección de características para los datos de series temporales financieras.
• Crear una estrategia de selección directa de acciones que genere retornos y códigos de acciones.

Principales métodos:

• Desarrolló un modelo de red neuronal híbrido (CLGNN) que integra las redes neuronales convolucionales (CNN), la memoria a corto plazo (LSTM) y las redes neuronales de gráficos (GNN).
• Se empleó un enfoque de filtro híbrido utilizando la entropía y la correlación de Pearson para la selección de características.
• Utilizó el aprendizaje de gráficos, la convolución de gráficos y las capas convolucionales temporales dentro del módulo GNN para analizar las relaciones entre los datos.

Principales resultados:

• El modelo CLGNN demostró un rendimiento superior en la predicción y selección de existencias en comparación con otros modelos como TCN y Transformer.
• La selección de características utilizando el rendimiento diario, la tasa de rotación, el índice de fuerza relativa, el volumen y el precio de cierre ajustado a plazo arrojó los rendimientos más altos.
• El método de selección de características híbridas propuesto resultó eficaz en la identificación de variables de entrada cruciales para la predicción de existencias.

Conclusiones:

• El modelo CLGNN ofrece un enfoque sólido y explicable para la selección de poblaciones mediante la captura de dependencias complejas de datos.
• El método híbrido de selección de características mejora la precisión de las predicciones y la aplicabilidad práctica de los modelos de aprendizaje profundo en finanzas.
• Este estudio proporciona un marco valioso para el desarrollo de estrategias avanzadas de selección de poblaciones basadas en datos.