基于三重壁垒标签和原始 OHLCV 数据的股票价格预测：来自韩国市场的实证研究

本文表明，在韩国市场上，使用原始 OHLCV (开盘-最高价-最低价-收盘-成交量) 数据训练的深度学习模型可实现与传统机器学习 (ML) 模型使用技术指标相当的表现，用于股票价格预测。尽管以往研究强调技术指标和特征工程的重要性，但我们表明，仅使用原始 OHLCV 数据训练的简单 LSTM 网络即可匹配包含技术指标的高级 ML 模型的性能。我们使用 2006 年至 2024 年的韩国股票数据集，优化三重壁垒标签参数以实现标签比例的平衡，采用 29 天窗口和 9% 壁垒。我们的实验表明，LSTM 网络尽管仅使用原始 OHLCV 数据且不包含任何技术指标，即可获得与传统机器学习模型如 XGBoost 相当的性能。此外，我们识别出最佳窗口大小随模型隐藏层大小的变化而变化，配置为窗口大小 100 和隐藏层大小 8 时性能最佳。此外，我们的结果确认，使用完整的 OHLCV 数据相对于仅使用收盘价或收盘价加成交量提供更好的预测准确性。这些发现挑战了金融预测中复杂特征工程方法的常规做法，表明更简单的方法——专注于原始数据和合适的模型选择——可能比复杂的特征工程策略更有效。