一种演化稀疏神经架构用于股市预测的多准则方法
神经与进化计算
2021-11-17 v1 统计金融
摘要
本研究提出一种新框架，以技术指标为输入，演化出高效且简洁的神经架构用于股市指数的走势预测。鉴于有效市场假说下信噪比稀疏，开发机器学习方法利用技术指标预测金融市场走势已被证明是一个具有挑战性的问题。为此，神经架构搜索被表述为一个多准则优化问题，以平衡架构效能与复杂度。此外，本文考察了前 COVID 与 COVID 期间可能存在的不同主导交易倾向的影响。提出一种 约束框架作为补救措施，以提取可能冲突的前 COVID 数据下隐含的一致信息。进一步，提出一种新的搜索范式——二维粒子群（2DS），用于多准则神经架构搜索，其将稀疏性显式集成为粒子群中的额外搜索维度。通过将遗传算法及若干经验神经设计规则与基于滤波的特征选择方法（mRMR）的组合作为基线方法，对所提方法进行了详细对比评估。本研究结果令人信服地表明，所提方法能够演化出具有更好泛化能力的简洁网络。
引用
@article{arxiv.2111.08060,
title = {A Multi-criteria Approach to Evolve Sparse Neural Architectures for Stock Market Forecasting},
author = {Faizal Hafiz and Jan Broekaert and Davide La Torre and Akshya Swain},
journal= {arXiv preprint arXiv:2111.08060},
year = {2021}
}
备注
29 pages, 6 figures