基于ACD模型并借助LSTM网络与注意力机制改进的金融交易持续时间预测
计算金融
2021-01-11 v1
摘要
证券市场的流动性风险因子在交易策略的制定中起着重要作用。更具流动性的股票市场意味着证券更容易被买入或卖出。作为市场流动性的良好指标，交易持续时间是本研究关注的焦点。我们专注于估计概率密度函数 p({\Delta}t_(i+1) |G_i)，其中 {\Delta}t_(i+1) 表示第 (i+1) 次交易的持续时间，G_i 表示第 (i+1) 次交易发生时的历史信息。在本文中，我们提出了一种新的超高频 (UHF) 持续时间建模框架，利用长短期记忆 (LSTM) 网络扩展经典自回归条件持续时间 (ACD) 模型的条件均值方程，同时保留概率推断能力。随后借助注意力机制揭示所构建模型的内部机制。为了最小化人工参数调优的影响，我们在训练过程中采用固定超参数。应用于大规模数据集的实验证明了所提混合模型的优越性。在输入序列中，对预测下一持续时间更重要的时间位置可通过所添加的注意力机制层被有效突出。
引用
@article{arxiv.2101.02736,
title = {Improved ACD-based financial trade durations prediction leveraging LSTM networks and Attention Mechanism},
author = {Yong Shi and Wei Dai and Wen Long and Bo Li},
journal= {arXiv preprint arXiv:2101.02736},
year = {2021}
}