基于滞后相关的深度学习用于金融时间序列方向性趋势变化预测
计算金融
2018-11-30 v2 机器学习
机器学习
摘要
在具有大量含噪时间序列的复杂系统中预测趋势变化，是对现实世界现象有许多应用的问题，而股票市场正是此类系统中出了名的难以预测的实例。我们通过时间序列之间复杂的滞后相关来预测方向性趋势变化，在相应输入中排除关于目标序列的任何信息，以实现纯粹基于其与其他序列此类相关的预测。我们提出使用深度神经网络，在预备特征工程中采用带指数平滑的逐步线性回归，以回归斜率作为给定时间间隔的趋势强度指标。我们将该方法应用于 2011 至 2016 年历史股票市场数据，作为受外部新信息作为随机因素严重影响的大量时间序列间滞后相关的用例示例。结果证明了所提方法的可行性，取得了最先进的准确率，并考量了结果的统计显著性以作额外验证，以及对现代金融经济学的重要启示。
引用
@article{arxiv.1811.11287,
title = {Lagged correlation-based deep learning for directional trend change prediction in financial time series},
author = {Ben Moews and J. Michael Herrmann and Gbenga Ibikunle},
journal= {arXiv preprint arXiv:1811.11287},
year = {2018}
}
备注
11 pages, 4 figures