基于自动化特征聚类和径向基函数神经网络的线上高频交易股票预测
统计金融
2024-12-30 v2 机器学习
摘要
本研究提出一种自主实验机器学习协议，用于高频交易（HFT）股票价格预测，涉及双重竞争特征重要性机制和通过浅层神经网络拓扑实现的聚类，以实现快速训练。通过将 k-means 算法融入径向基函数神经网络（RBFNN），所提出的方法解决了手动聚类以及依赖可能无信息特征的问题。更具体地说，我们的方法包括双重竞争机制，用于特征重要性，结合 mean-decrease impurity（MDI）方法和基于梯度下降（GD）的特征重要性机制。该方法在 20 只标普 500 股票的 HFT Level 1 订单簿数据上进行测试，增强了 RBFNN 回归器的预测能力。我们的发现表明，自动化特征选择和聚类的自主方法至关重要，因为每只股票都需要不同的输入特征空间。总体而言，通过自动化特征选择和聚类过程，我们消除了对手动拓扑网格搜索的需求，提供了一种更高效的预测 LOB 中间价格的方法。
引用
@article{arxiv.2412.16160,
title = {Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks},
author = {Adamantios Ntakaris and Gbenga Ibikunle},
journal= {arXiv preprint arXiv:2412.16160},
year = {2024}
}
备注
This paper was presented at the Economics of Financial Technology Conference, June 2023, in Edinburgh, UK