基于自编码器的混合多任务预测网络用于印度股票每日开-高-低-收价格预测
机器学习
2022-04-29 v1
摘要
股票价格具有高度波动性，趋势的突然变化往往令传统预测模型难以应对。标准的长短期记忆（Long Short Term Memory, LSTM）网络被视为此类预测的当前最优模型。然而，这些模型无法应对价格趋势的突然且剧烈的变化。此外，股票的开盘、最高、最低和收盘（open, high, low and close, OHLC）价格存在一些固有约束。文献中缺乏关于OHLC价格固有属性的研究。我们认为，预测次日的OHLC价格比预测股票趋势更具信息量，因为趋势大多仅由这些OHLC价格计算得出。该问题主要关注今日买明日卖（Buy-Today Sell-Tomorrow, BTST）交易。在这方面，自编码器（AE）若以股票价格进行预训练，可能有益。本文提出一种新颖框架，其中预训练的编码器级联于多任务预测网络之前。该混合网络可利用网络组合的优势，既能处理OHLC约束，又能捕捉价格的任何突然剧烈变化。可见此类网络在预测股票价格上高效得多。实验进一步扩展至推荐次日最盈利且最超买的股票。该模型已在多家印度公司上测试，发现所提模型的推荐在300天测试期内未造成单次亏损。
引用
@article{arxiv.2204.13422,
title = {Autoencoder based Hybrid Multi-Task Predictor Network for Daily Open-High-Low-Close Prices Prediction of Indian Stocks},
author = {Debasrita Chakraborty and Susmita Ghosh and Ashish Ghosh},
journal= {arXiv preprint arXiv:2204.13422},
year = {2022}
}
备注
29 pages