高频股票交易数据的新型建模策略
应用统计
2023-03-29 v1 机器学习
摘要
证券交易所的全面电子自动化近期变得流行，生成了高频日内数据并推动了近实时价格预测方法的发展。机器学习算法被广泛应用于股票中间价预测。将原始数据作为预测模型的输入进行处理（例如数据稀疏化与特征工程）会主要影响预测方法的性能。然而，研究人员很少讨论这一主题。这促使我们提出了三种处理原始数据的新型建模策略。通过分析道琼斯 30 只成分股的高频数据，我们阐明了我们的新型建模策略如何提升预测性能。在这些实验中，我们的策略通常在预测上带来统计学显著的提升。这三种策略分别使 SVM 模型的 F1 分数提高了 0.056、0.087 和 0.016。
引用
@article{arxiv.2212.00148,
title = {Novel Modelling Strategies for High-frequency Stock Trading Data},
author = {Xuekui Zhang and Yuying Huang and Ke Xu and Li Xing},
journal= {arXiv preprint arXiv:2212.00148},
year = {2023}
}
备注
28 pages, 5 tables, 5 figures