用于高频交易预测的最优输出长短期记忆单元
机器学习
2023-05-16 v3 计算工程、金融与科学
交易与市场微观结构
摘要
高频交易需要快速数据处理且无信息滞后，以实现精确的股价预测。这种快节奏的股价预测通常基于因高频交易固有的时间不规则性而需被视为序列且时间独立信号的向量。一种考虑这些时间不规则性且已有充分文献记载和验证的方法是名为长短期记忆神经网络的循环神经网络。此类神经网络由通过门与状态执行序列与陈旧计算的单元构成，而不知其在单元内的顺序是否最优。本文中，我们提出一种经修正且实时调整的长短期记忆单元，其选择最佳门或状态作为最终输出。我们的单元运行于浅层拓扑下，具有最小回看周期，并在线训练。该修正单元在如限价订单簿中间价预测的在线高频交易预测任务中，相较于其他循环神经网络取得了更低的预测误差，其已在两只高流动性美股与两只较低流动性北欧股票上进行了测试。
引用
@article{arxiv.2304.09840,
title = {Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting},
author = {Adamantios Ntakaris and Moncef Gabbouj and Juho Kanniainen},
journal= {arXiv preprint arXiv:2304.09840},
year = {2023}
}