LSTM 网络集成到随机森林算法用于股票市场交易预测

本文旨在分析和选择能够组合不同模型与不同性质数据（如金融和微观经济信息）的股票交易系统。具体而言，基于作者先前的工作并应用高级机器学习和深度学习技术，我们的目标是为股票市场制定具有经实验证实统计优势的交易算法，从而提高文献中已发表的结果。我们的方法将长短期记忆 (LSTM) 网络与基于决策树的算法（如随机森林和梯度提升）相结合。前者分析金融资产的价格模式，后者则输入公司的经济数据。通过国际公司数据和 10 个工作日预测的数值模拟，确认基于基本面和技术变量的组合方法可优于常规方法，后者不组合这两种变量。在此过程中，随机森林在决策树中表现最佳。我们还讨论了如何通过选择技术变量来提升此类混合方法的预测性能。