Oct, 2018

利用深度学习利用静态限价单特征进行价格预测

PDF
TL;DR本文提出了一种构建平稳特征的新方法，可以有效地应用深度学习模型以解决金融数据非恒定性等问题，并结合了 CNN 模型提取有用特征和 LSTM 模型分析时间序列的能力，测试显示其在预测期限方面优于单独的 LSTM 和 CNN 模型。
发现论文，激发创造
  • 深度学习的中价预测特征工程

    本文通过设计一种新的手工特征并对流动性和非流动性股票进行广泛的实验评估，解决了基于限价单簿（LOB）数据的中间价格运动预测的问题，并将特征馈入 9 种基于多层感知器（MLP）、卷积神经网络（CNN）和长短期记忆（LSTM）神经网络的不同深度学习模型，以预测下一个价格趋势的方向和直到变化发生的订单簿事件数量，实验结果表明，正确选择特征集和模型可以成功预测股票价格变动的时间。

    Apr, 2019

  • DeepLOB: 用于限价订单簿的深度卷积神经网络

    本文介绍一种利用深度学习通过限价单数据预测股票价格的方法，并通过 LSTM 模块和卷积滤波器提高了预测精度和时间依赖性，同时通过敏感度分析的方法解释了 LOB 中最重要的组件。

    Aug, 2018

  • 深度委托簿预测

    利用先进的深度学习方法，研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame'，高效处理大规模的限价挂单簿数据，定量评估最新的深度学习模型的预测能力。研究结果有两个方面：我们证明股票的微观结构特征影响深度学习方法的有效性，而高预测能力并不一定对应可执行的交易信号。我们认为，传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代，我们提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径，从而做出明智而稳健的决策。

    Mar, 2024

  • 深度学习用于限价订单簿

    本文提出了一种新的神经网络结构来建模空间分布，在使用限价单簿的空间结构时，该新结构具有计算效率，并提供了价格移动的低维模型。该模型在未来时间内基于限价单簿的当前状态建模簿的状态的共同分布，模型训练并测试了近 500 种股票，并采用了退出技术以提高表现。

    Jan, 2016

  • 使用 CNN 和 LSTM 的深度学习模型 robust 分析股票价格时序

    本研究基于印度国家股票交易所（NSE）中一家著名公司自 2012 年 12 月 31 日至 2015 年 1 月 9 日间五分钟间隔的股票价格历史数据，构建了四个卷积神经网络（CNN）和五个长短时记忆（LSTM）深度学习模型，精确预测未来的股票价格，并提供了这些模型的执行时间和均方根误差（RMSE）的详细预测准确性结果。

    Nov, 2020

  • 深度学习在金融市场预测中的应用

    本文提出了基于一维卷积神经网络的金融市场预测模型，并通过历史交易数据严格回测，证明了该模型可以更有效地提取更一般化和信息丰富的特征，实现比之前的机器学习方法更强大且更有利润性的金融绩效。

    Apr, 2021

  • 基于数据驱动的深度学习方法进行比特币价格预测

    利用浅层双向 LSTM 模型和特征工程方法对比特币价格进行预测，并显示在使用所提出的特征工程方法时，浅层深度神经网络优于其他流行的价格预测模型。

    Oct, 2023

  • 基于时间序列分析的股票价格预测：机器学习和深度学习模型

    本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

    Apr, 2020

  • 结合订单簿的深度学习和强化学习进行盈利交易

    应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

    Oct, 2023

  • 使用循环神经网络对限价订单簿进行序列分类

    该论文研究了利用 RNN 对高频交易进行序列分类的问题，通过使用有限订单薄深度和市场订单的短序列预测下一个事件价格变化，从而减少了不利价格选择的可能性，并且展示了 RNN 对有限订单薄的非线性关系的良好捕捉能力。

    Jul, 2017