Sep, 2023

各种机器学习模型频繁交易效应分析

PDF
TL;DR该研究旨在开发一种先进的高频交易算法，并比较三种不同的数学模型的性能：交叉熵损失函数和拟牛顿算法的组合、FCNN 模型和向量机。该算法利用神经网络预测生成交易信号，并基于特定条件执行买入和卖出操作，通过利用神经网络的力量提高交易策略的准确性和可靠性。该研究通过评估三种数学模型的性能来评估算法的有效性，并通过比较这三种模型的性能，旨在确定高频交易的最有效方法。该研究通过引入一种新的对高频交易的方法，为投资者提供了一种更准确可靠的股票交易策略。
发现论文，激发创造
  • 基于金融时间序列数据的兼容深度神经网络框架，包括数据预处理器、神经网络模型和交易策略

    该研究介绍了一种新的深度神经网络架构并提出了一种新的方法来准备金融数据以便于它们被馈入该模型，以预测股票和加密货币市场的价格波动。研究表明，该框架可以提供有利可图和稳健的预测，并引入一个交易策略来利用训练模型的输出。

    May, 2022

  • 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

  • 基于量子神经网络和张量网络的横截面股票收益预测

    本文研究了使用量子和量子启发式机器学习算法对股票回报进行预测的应用，比较了量子神经网络和张量网络等算法与传统的线性回归和神经网络模型的表现，并基于它们的预测构建投资组合和测量了其表现。经实证研究，日本股票市场的张量网络模型在表现上优于传统的基准模型，包括线性回归和神经网络模型。尽管量子神经网络模型整个时间段内的降低风险调整超额回报高于传统的神经网络模型，但量子神经网络和张量网络模型在最新的市场环境下表现更优，这表明了模型捕捉输入特征之间非线性关系的能力。

    Apr, 2023

  • 源代码中软件供应链漏洞检测：传统和量子机器学习算法性能比较

    本文探讨了量子神经网络和传统神经网络在 ClaMP 软件供应链攻击数据集上的表现，结果表明，执行时间相对较慢的 QNN 的检测性能并不比 NN 弱。

    May, 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

  • 跨部门预测股票回报的深度学习

    本研究利用深度学习方法预测日本股市横截面中一个月的股票回报，并发现深度神经网络通常优于浅层神经网络，而且最佳网络也优于代表性的机器学习模型，这表明深度学习在预测横截面股票回报方面表现良好。

    Jan, 2018

  • 基于分类的深度神经网络金融市场预测

    本文描述了如何将深度神经网络应用于预测金融市场走势，并进一步用配置和训练方法演示了如何在 43 个不同的商品和外汇期货中进行策略回测。

    Mar, 2016

  • 基于粒子群优化 BP 神经网络和多元高斯 - 隐马尔可夫模型的股票择时和选股的定量融合策略

    该研究介绍了一种创新的金融分析技术，结合了机器学习、量化融合模型、股票市场、选股和择时策略。

    Dec, 2023

  • 基于频率和严重程度数据的保险定价神经网络：从数据预处理到技术费率的基准研究

    使用深度学习结构对频率和严重性数据进行机器学习的保险定价研究，将广义线性模型与神经网络结合，在多种输入特征存在的情况下进行性能比较并构建全局替代模型，为实际部署提供技术性费率表。

    Oct, 2023

  • 利用深度学习和统计模型进行股票预测研究

    使用机器学习、深度学习和统计分析技术来预测股票价格的准确模型一直是个具有挑战性的任务，本文将回顾多种深度学习算法，包括移动平均、ARIMA、LSTM、RNN、CNN 和全卷积神经网络模型，以及通过误差计算方法如均方根误差、平均绝对误差、均方误差等来评估其准确性，结果表明，较低的平均绝对误差（MAE）值可以更准确地预测股价。

    Feb, 2024