利用 LSTM 与随机森林预测盘中交易股价方向性运动
机器学习
2021-07-02 v2 统计金融
机器学习
摘要
我们采用随机森林与 LSTM 网络（更确切地说是 CuDNNLSTM）作为训练方法，分析其在预测 1993 年 1 月至 2018 年 12 月标普 500 成分股用于盘中交易样本外方向性运动中的有效性。我们引入了一种多特征设定，不仅包含相对于收盘价的收益，还包含相对于开盘价的收益与盘内收益。作为交易策略，我们以 Krauss 等人（2017）与 Fischer & Krauss（2018）为基准。在每个交易日，我们买入概率最高的 10 只股票，并卖空概率最低的 10 只股票，以在盘内收益上跑赢市场——均以相等资金权重。我们的实证结果显示，在多特征设定下，使用 LSTM 网络的日收益（扣除交易成本前）为 0.64%，使用随机森林为 0.54%。因此我们优于 Fischer & Krauss（2018）与 Krauss 等人（2017）中仅包含相对于收盘价的日收益的单特征设定，其对应 LSTM 与随机森林的日收益分别为 0.41% 与 0.39%。
引用
@article{arxiv.2004.10178,
title = {Forecasting directional movements of stock prices for intraday trading using LSTM and random forests},
author = {Pushpendu Ghosh and Ariel Neufeld and Jajati Keshari Sahoo},
journal= {arXiv preprint arXiv:2004.10178},
year = {2021}
}