一个框架,通过预测重要的交易点,以回报自适应的零碎线性表示和批量注意的多尺度卷积循环神经网络来提高股票投资绩效.
1Joint Lab of Data Science and Business Intelligence, Southwestern University of Finance and Economics, Chengdu 610074, China.
Entropy (Basel, Switzerland)
|November 24, 2023
概括
本研究引入了一个新的框架,用于使用先进的人工智能模型预测股票市场的重要交易点 (ITP). 该方法通过提高预测准确性和风险管理来提高股票投资回报率.
科学领域:
- 量化金融 量化金融
- 机器学习 机器学习
- 算法交易是一种算法交易.
背景情况:
- 股票市场数据本质上是杂和随机的,这使得准确的价格预测变得困难.
- 现有的预测模型往往滞后,阻碍了捕捉市场转折点,并降低了投资回报.
- 对于市场参与者来说,需要准确的库存分析和预测,以提高回报率和降低风险,这对于市场参与者来说至关重要.
研究的目的:
- 为预测重要交易点 (ITP) 提出一个新的框架,以提高股票投资回报.
- 解决传统股票价格预测的局限性和交易策略中的滞后现象.
- 开发一个强大的交易策略,与ITP预测集成,以提高业绩.
主要方法:
- 使用返回适应式零碎线性表示 (RA-PLR) 进行历史ITP检测.
- 采用一批注意力多尺度卷积循环神经网络 (Batch-MCRNN) 进行未来ITP预测,整合空间,时间和样本数据维度.
- 开发了一种结合相对实力指数 (RSI) 和双检查 (DC) 方法进行ITP预测匹配的交易策略.
主要成果:
- 拟议的RA-PLR和Batch-MCRNN框架在预测准确性方面显著超过了最先进的基准模型.
- 该方法在现实世界股票市场数据集上,在各种指标上表现出卓越的表现,包括风险和回报指标.
- 综合交易策略有效地利用了ITP的预测,导致与现有方法相比更好的投资结果.
结论:
- 开发的框架通过准确预测ITP,在股票市场分析和预测方面取得了重大进展.
- RA-PLR 和 Batch-MCRNN 的组合为导航杂的市场数据和捕捉转折点提供了一个强大的工具.
- 这项研究对于寻求优化投资策略和提高回报的股票市场参与者来说具有实质性的参考价值.
