优化长期短期记忆细胞的输出,用于金融市场的高频预测

科学领域:

• 量化金融 量化金融
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 高频交易 (HFT) 需要快速处理数据,以尽量减少信息滞后,以便准确预测股价.
• 传统的方法经常与HFT数据固有的时间不规则作斗争,将矢量视为时间独立的信号.
• 循环神经网络 (RNN),特别是长期短期记忆 (LSTM) 网络,用于序列数据,但在最佳门/状态计算顺序方面存在局限性.

研究的目的:

• 提出一个修订后的实时调整的LSTM单元,旨在提高HFT环境中的股价预测准确度.
• 通过使最佳门和状态的动态选择,解决标准LSTM细胞的局限性.
• 评估拟议的LSTM单元与现有的RNN对线上HFT预测任务的性能.

主要方法:

• 开发一种具有实时调整能力的新型LSTM细胞架构.
• 实现一个机制,使LSTM单元为其输出选择最佳的门或状态.
• 在线训练修订后的LSTM单元,采用浅层拓和最小的回顾时间.
• 测试单元在限量订单簿 (LOB) 中期价格 (MP) 预测中对高流动性美国股票和较少流动性的北欧股票的表现.

主要成果:

• 修订后的LSTM单元显示在线HFT预测中,与其他RNN相比,预测误差较低.
• 拟议的细胞选择最佳门/状态的能力有助于提高预测准确度.
• 在不同的市场流动性,包括美国和北欧股票市场,观察到有效的表现.

结论:

• 实时调整的LSTM单元为HFT中精确的股价预测提供了显著的改进.
• 动态门/状态选择机制提高了预测模型的适应性和准确性.
• 这种方法为在线HFT预测任务提供了更有效的解决方案,特别是对于限量订单簿中期价格预测.