一个优化的LSTM网络用于改进套利扩散预测,使用殖民地交叉搜索在K-fold超参数空间
Zeliang Zeng1, Panke Qin1,2, Yue Zhang1
1School of Software, Henan Polytechnic University, Jiaozuo, Henan, China.
PeerJ. Computer science
|December 16, 2024
概括
预测套利利差对于算法交易至关重要. 一个新的K-fold交叉搜索算法优化的LSTM (KCS-LSTM) 网络提高了预测准确性和稳定性,优于现有模型.
科学领域:
- 量化金融 量化金融
- 机器学习在交易中的作用
背景情况:
- 对算法交易来说,仲裁差额预测至关重要,但复杂的模型往往会产生不稳定的回报.
- 目前的方法在精确和高效的模型开发中扎,以识别套利信号.
研究的目的:
- 开发一个优化的长短期内存 (LSTM) 网络,用于准确和稳定的套利利差预测.
- 提高金融预测中模型开发的效率和适应性.
主要方法:
- 引入K-fold交叉搜索 (KCS) 启发式算法,通过代搜索空间更新增强群优化.
- 优化LSTM超参数,使用修改后的适应性函数进行自动数据集适应.
- 在现实世界中验证KCS-LSTM网络的铁杆和热线圈传播数据.
主要成果:
- 与常见模型相比,KCS-LSTM网络表现出优异的性能,对对称平均绝对百分比误差 (sMAPE) 的显著改进.
- 在预测准确度方面,性能收益从12.6%到72.4%不等.
- 该模型被证明可以与更复杂的神经网络架构相竞争.
结论:
- KCS-LSTM网络为算法交易中的套利利差预测提供了一个强大而高效的解决方案.
- 拟议的方法提高了预测准确性和回报稳定性,简化了模型开发.
- 这种方法为现有复杂的金融市场预测模型提供了有竞争力的替代方案.


