评估机器学习算法在金融市场预测中的表现：一项综合综述

随着金融市场竞争加剧与节奏加快，稳健的预测方法对投资者而言愈发珍贵。尽管机器学习算法提供了对时间序列中非线性建模的成熟途径，但相较于常见随机模型，其在金融市场预测领域的优势很大程度上仅基于有限的实证结果。在确定某些机器学习架构相对于其他架构的优势时，情况同样如此。本研究综述了150余篇关于机器学习应用于金融市场预测的文献。基于全面的文献回顾，我们构建了一张跨七个主要参数的表格以描述这些研究中的实验。通过列举与分类不同算法，我们还引入了一种用于文本表示机器学习算法的简单标准化语法。基于综述所纳入论文中收集的性能指标，我们进一步进行排名分析以评估不同算法类的比较表现。我们的分析表明，机器学习算法在金融市场预测中往往优于大多数传统随机方法。我们进一步发现证据表明，平均而言，循环神经网络优于前馈神经网络与支持向量机，这意味着跨多个资产类别与地域的金融时间序列中存在可 exploited 的时间依赖性。