基于时间卷积网络的超高频率金融数据价格变动预测
计算金融
2021-07-02 v1
摘要
本文通过对超高频率（UHF）股票价格变动数据的深入分析，构建了更合理的离散动态分布模型。首先，我们将价格变动分为若干类别。随后，利用时间卷积网络（TCN）预测各类别的条件概率。此外，在 TCN 架构中引入注意力机制，以建模股票价格变动数据的时间变化分布。对深圳证券交易所100指数（SZSE 100）成分股的实证研究发现，对于描述 UHF 股票价格变动序列的动态过程，TCN 框架模型与 TCN（注意力）框架的整体表现优于 GARCH 族模型以及长短期记忆（LSTM）框架模型。此外，数据集规模达到近千万，据我们所知，此前尚无将 TCN 应用于中国股市如此大规模 UHF 交易价格数据集的尝试。
引用
@article{arxiv.2107.00261,
title = {Price change prediction of ultra high frequency financial data based on temporal convolutional network},
author = {Wei Dai and Yuan An and Wen Long},
journal= {arXiv preprint arXiv:2107.00261},
year = {2021}
}