VLSTM：用于高频交易的极长短期记忆网络
机器学习
2020-10-23 v3 交易与市场微观结构
机器学习
摘要
金融交易处于时间序列分析的前沿，并与之共同发展。电子交易的兴起使得复杂的机器学习方案得以进入金融交易领域。金融市场同时具有长期和短期信号，因此金融交易中良好的预测模型应能将二者结合。最受追捧的电子交易形式之一是高频交易（HFT），通常以微秒级的敏感变化著称，这导致了海量数据。LSTM是RNN家族中最能处理长期依赖的变体之一，但即便它们也无法处理如HFT中长达数千数据点的此类长序列。我们提出极长短期记忆网络，即VLSTM，以应对此类极长序列。我们探讨了VLSTM在HFT背景下的重要性。我们在公开数据集上对比了我们的模型，相较现有最先进的时间序列预测模型在F1-score上获得了3.14%的提升。我们还展示了我们的模型具有很大的并行化潜力，这对于在此类市场进行交易的实际应用至关重要。
引用
@article{arxiv.1809.01506,
title = {VLSTM: Very Long Short-Term Memory Networks for High-Frequency Trading},
author = {Prakhar Ganesh and Puneet Rakheja},
journal= {arXiv preprint arXiv:1809.01506},
year = {2020}
}
备注
4 pages + 1 page references