多种机器学习模型的频繁交易效应分析
交易与市场微观结构
2023-11-21 v1 机器学习
最优化与控制
统计金融
摘要
近年来，高频交易已成为股票交易中的关键策略。本研究旨在开发一种先进的高频交易算法，并比较三种不同数学模型的性能：交叉熵损失函数与拟牛顿算法相结合、全连接神经网络（FCNN）模型以及向量机。所提算法利用神经网络预测生成交易信号，并基于特定条件执行买卖操作。通过借助神经网络的能力，该算法提升了交易策略的准确性与可靠性。为评估算法有效性，本研究评价了三种数学模型的性能。交叉熵损失函数与拟牛顿算法相结合是一种被广泛使用的逻辑回归方法。另一方面，FCNN 模型是一种可从股票数据中提取并分类特征的深度学习算法。同时，向量机是一种监督学习算法，因通过将数据映射至高维空间而取得更优分类结果而为人所知。通过比较这三种模型的性能，本研究旨在确定高频交易的最有效方法。本研究引入了一种高频交易的新方法论，从而为投资者提供更准确可靠的股票交易策略，作出了有价值的贡献。
引用
@article{arxiv.2311.10719,
title = {Analysis of frequent trading effects of various machine learning models},
author = {Jiahao Chen and Xiaofei Li},
journal= {arXiv preprint arXiv:2311.10719},
year = {2023}
}