股市极端波动预测：当GameStop遇上长短期记忆网络
机器学习
2021-03-10 v2
摘要
2021年初，某些股票如GameStop公司股价（纽交所代码GME）出现剧烈波动。GameStop股价从其长达十年的均值飙升至峰值$485，涨幅约10倍。本文假设，在极端波动下，通过预测并交易盘整突破可跑赢买入持有策略。我们研究了GME股票的波动性，并将其与作为基准的SPY（因其为波动较小的ETF基金）进行比较，时间跨度为2002年2月至2021年2月。对于策略1，我们开发了长短期记忆（LSTM）神经网络，在极端波动下以极短前瞻期递归预测股价。对于策略2，我们开发了LSTM自编码器网络，专门设计用于在预测股价异常后仅交易盘整突破。在模拟回测中，策略1对SPY执行863笔交易，对GME执行452笔交易；策略2对SPY执行931笔交易，对GME执行325笔交易。我们将两种策略与在我们所选期间内买入并持有一股作为基准进行比较。模拟中，SPY买入持有收益$281.160，策略1成功率53.5%收益$110.29，策略2成功率57.6%收益$4.34；GME买入持有收益$45.63，策略1成功率47.12%收益$69.046，策略2成功率48%收益$2.10。总体而言，买入持有在我们研究中跑赢所有深度学习辅助预测模型，除非将基于LSTM的预测模型（策略1）应用于GME。我们希望本研究能为基于LSTM的极端波动预测以跑赢买入持有策略的领域提供更多启示。
引用
@article{arxiv.2103.01121,
title = {Extreme Volatility Prediction in Stock Market: When GameStop meets Long Short-Term Memory Networks},
author = {Yigit Alparslan and Edward Kim},
journal= {arXiv preprint arXiv:2103.01121},
year = {2021}
}
备注
12 pages, 4 figures