高性能股指交易：深度 LSTM 神经网络的有效利用
统计金融
2019-05-09 v2 机器学习
机器学习
摘要
我们提出一种基于深度长短期记忆（LSTM）的神经网络用于预测资产价格，并给出一种基于模型预测生成利润的成功交易策略。我们的工作动机在于：任何预测模型的有效性 inherently 与其所用交易策略相耦合，反之亦然。这凸显了联合最优地开发模型与策略的困难，也指出了比主流方法更宽泛的研究途径。我们的 LSTM 模型结构简洁，基于过去若干交易日的价量观测生成预测。模型架构在一种策略下被调优以促进盈利性而非准确性；该策略并非简单地根据价格预测涨跌交易，而是利用预测收益的分布，以及预测在该分布中的位置携带有关交易预期盈利性的有用信息。所提模型与交易策略在 S&P 500、道琼斯工业平均指数（DJIA）、NASDAQ 和 Russel 2000 股指上测试，在 2010–2018 年间分别取得 340%、185%、371% 和 360% 的累计收益，远超标杆买入持有策略及其他近期研究。
引用
@article{arxiv.1902.03125,
title = {High-performance stock index trading: making effective use of a deep LSTM neural network},
author = {Chariton Chalvatzis and Dimitrios Hristu-Varsakelis},
journal= {arXiv preprint arXiv:1902.03125},
year = {2019}
}