基于深度学习的金融时间序列预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Financial Time Series Prediction Using Deep Learning》
---
作者：
Ariel Navon, Yosi Keller
---
最新提交年份：
2017
---
英文摘要：
  In this work we present a data-driven end-to-end Deep Learning approach for time series prediction, applied to financial time series. A Deep Learning scheme is derived to predict the temporal trends of stocks and ETFs in NYSE or NASDAQ. Our approach is based on a neural network (NN) that is applied to raw financial data inputs, and is trained to predict the temporal trends of stocks and ETFs. In order to handle commission-based trading, we derive an investment strategy that utilizes the probabilistic outputs of the NN, and optimizes the average return. The proposed scheme is shown to provide statistically significant accurate predictions of financial market trends, and the investment strategy is shown to be profitable under this challenging setup. The performance compares favorably with contemporary benchmarks along two-years of back-testing.
---
中文摘要：
在这项工作中，我们提出了一种用于时间序列预测的数据驱动端到端深度学习方法，并将其应用于金融时间序列。本文推导了一个深度学习方案，用于预测纽约证券交易所或纳斯达克股票和ETF的时间趋势。我们的方法基于应用于原始财务数据输入的神经网络（NN），并经过训练以预测股票和ETF的时间趋势。为了处理基于佣金的交易，我们推导出一种投资策略，该策略利用神经网络的概率输出，并优化平均回报。经证明，拟议方案能够对金融市场趋势提供具有统计意义的准确预测，并且在这种具有挑战性的环境下，投资策略是有利可图的。经过两年的回溯测试，其性能与当代基准测试相比是相当好的。
---
分类信息：

一级分类：Electrical Engineering and Systems Science        电气工程与系统科学
二级分类：Signal Processing        信号处理
分类描述：Theory, algorithms, performance analysis and applications of signal and data analysis, including physical modeling, processing, detection and parameter estimation, learning, mining, retrieval, and information extraction. The term \"signal\" includes speech, audio, sonar, radar, geophysical, physiological, (bio-) medical, image, video, and multimodal natural and man-made signals, including communication signals and data. Topics of interest include: statistical signal processing, spectral estimation and system identification; filter design, adaptive filtering / stochastic learning; (compressive) sampling, sensing, and transform-domain methods including fast algorithms; signal processing for machine learning and machine learning for signal processing applications; in-network and graph signal processing; convex and nonconvex optimization methods for signal processing applications; radar, sonar, and sensor array beamforming and direction finding; communications signal processing; low power, multi-core and system-on-chip signal processing; sensing, communication, analysis and optimization for cyber-physical systems such as power grids and the Internet of Things.
信号和数据分析的理论、算法、性能分析和应用，包括物理建模、处理、检测和参数估计、学习、挖掘、检索和信息提取。“信号”一词包括语音、音频、声纳、雷达、地球物理、生理、（生物）医学、图像、视频和多模态自然和人为信号，包括通信信号和数据。感兴趣的主题包括：统计信号处理、谱估计和系统辨识；滤波器设计；自适应滤波/随机学习；（压缩）采样、传感和变换域方法，包括快速算法；用于机器学习的信号处理和用于信号处理应用的机器学习；网络与图形信号处理；信号处理中的凸和非凸优化方法；雷达、声纳和传感器阵列波束形成和测向；通信信号处理；低功耗、多核、片上系统信号处理；信息物理系统的传感、通信、分析和优化，如电网和物联网。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Financial_Time_Series_Prediction_Using_Deep_Learning.pdf (772.27 KB)

2022-6-1 16:47:44 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：金融时间序列 时间序列预测 时间序列 深度学习 学习的

基于深度学习Ariel-Navon的金融时间序列预测*, Yosi Keller+摘要在这项工作中，我们提出了一种用于时间序列预测的数据驱动端到端深度学习方法，并将其应用于金融时间序列。本文推导了一个深度学习方案来预测纽约证券交易所或纳斯达克股票和ETF的时间趋势。我们的方法基于应用于原始财务数据输入的神经网络（NN），并经过训练以预测股票和TFS的时间趋势。为了处理基于佣金的交易，我们推导出一种投资策略，该策略利用神经网络的概率输出，并优化平均回报。所提出的方案旨在提供对金融市场趋势的统计上显著的准确预测，并且在这种具有挑战性的设置下，投资策略是可行的。在两年的回溯测试中，该性能与当代基准进行了比较。1引言时间序列分析在一系列研究课题和许多工程问题中具有重要意义。这涉及到分析时间序列数据以估计序列数据的有意义统计和模式特征。特别是基于先前观察到的测量值对未来价值的预测。例如，给定离散信号x（n）的样本，n∈ Z、 预测任务旨在估计x（n+T），其中T>0。或者，我们的目标是估计x（n），n>n的其他参数，例如x（n）的标准偏差表示为σ（x（n）），或未来的时间序列趋势，^y（n | x，T）=符号（^x（n+T）- x（n））。1.1损失函数，也表示为成本函数，定义了L（n）=L（y（n），^y（n））以量化结果预测^y（n）相对于地面真实度（n）的准确性。*以色列巴伊兰大学工程学院。navon2@gmail.com.+以色列巴伊兰大学工程学院。

yosi。keller@gmail.com.Numerousworks通过应用统计方法研究时间序列数据。卡尔曼滤波器[1]和自回归（AR）模型是开创性的统计方法，其中ARMA[2]和ARIMA[3]（自回归综合移动平均）模型是AR的进一步推广，通过将AR模型与移动平均（MA）模型相结合得到。其他常见的AR方案有ARCH（自回归条件异方差）、GARCH[4]（广义ARCH）和theARIMA算法，通常用于金融序列预测。金融时间序列分析涉及提取基本特征，以分析和预测金融资产的时间动态。由于金融市场固有的不确定性和非分析结构[5]，这项任务被证明是具有挑战性的，经典的线性统计方法如ARIMA模型和统计机器学习（ML）模型已经得到广泛应用[6，7]。深度学习（DL）[8]与使用具有大量层的人工神经网络的计算算法相关的方法，允许直接分析原始数据测量值，而无需在特定任务表示中对测量值进行编码。在这项工作中，我们建议利用DL网络直接从原始数据中有效地学习复杂的非线性模型（“端到端”方法），以预测金融市场趋势。

我们专注于根据股票利率的原始数据直接预测标准普尔500指数（简称“s&P500”）和资产趋势，并利用经过训练的神经网络给出的概率估计。特别是，我们提出了以下贡献：首先，我们提出了一种基于资产原始利率数据的端到端学习方案，与之前的财务预测方案相比，前者的分析利用了多个工程特征[9]。其次，我们提出了一种利用神经网络模型的概率预测来确定交易进入点和退出点的交易策略。最后，拟议的交易系统在表现优于基准方案的同时表现良好，这在一个具有挑战性的现实佣金交易环境中得到了证明。这项工作的其余部分组织如下。第2章对时间序列预测和将机器学习应用于金融数据方面的前期工作进行了综述。第3章介绍了拟议的金融趋势预测深度学习模型端到端方法，第4章提出了概率交易策略。第5章对这些方案进行了实验验证，将其应用于标准普尔500指数的多个股票资产，并使用了实际交易成本。2背景在本章中，我们回顾了以往在时间序列预测方面的工作，特别是在财务预测方面。第2.1节调查了用于财务预测的机器学习方案，而第2.2.2.1节讨论了财务数据的深度学习方案用于财务数据预测的机器学习方法机器学习算法通常应用于时间序列预测和财务时间序列预测。Kanas【10】表明，用于时间序列预测的模型的非线性非常重要。

因此，最常用的方案之一是K-近邻（kNN）。kNN算法假设过去发生的时间序列与未来序列之间存在相似性，因此，最近邻用于生成kNN模型的预测。Ban等人【11】利用一组共享相似动态的股票，将kNN应用于多资产数据。因此，与单只股票相比，可以减少偏差，提高对时间波动的弹性。隐马尔可夫模型（HMM）也常用于金融时间序列预测。HMM用固定数量的不可观测状态对有限状态机进行编码。假设这些隐藏变量由马尔可夫过程关联，从而允许HMM应用于时间模式识别任务。哈桑（Hassan）[12]通过训练特定股票的HMMmodel，并将过去的时间模式与当前的股票模式相匹配，将HMMs应用于预测股票市场。预测是根据过去事件推断当前价格得出的。决策树[13]和支持向量机[14，15]也被应用于时间序列预测。2.2使用深度学习（Deep LearningDeep Learning，DL）技术的金融时间序列分析成功地应用于一系列问题，例如计算机视觉【16、17】、自动语音识别【18、19】、自然语言处理【20、21、22】、手写识别【23】和生物信息学【24】，表现优于当代最先进的方案。然而，DL在金融时间序列数据中的使用并不普遍。

然而，一些DL方案应用于金融数据，利用基于文本的分类、投资组合优化、波动率预测和基于价格的分类。Ronnqvist【25】提出了一种基于新闻文章的DL方法来估计财务风险。公开可用的文本数据用于量化银行相关报告的水平，并对分类员进行培训，将给定的句子归类为痛苦或平静。对于这两个神经网络，第一个神经网络旨在通过学习语义表示来降低维数，而另一个神经网络则被训练来对每个句子的学习表示进行分类。Fehrer和Feuerriegel【26】培训了一名基于文本的分类师，以根据新闻标题预测德国股票回报，并报告了在没有制定交易策略的情况下，对下一个交易日的三级预测准确率为56%。丁[27]研究了一个类似的话题，他利用从头条新闻中提取的结构化信息来预测标普500指数的每日走势。投资组合优化是对投资资产的最佳动态选择，Heaton[28]对此进行了研究，试图预测一个优于生物技术指数IBB的投资组合。为此，使用2012-2016年IBB股票的每周回报数据，对自动编码器进行了培训。索引中的所有股票都是自动编码的，并且选择了和它们的自动编码代表性最相似的股票。熊[29]应用长-短期记忆（LSTM）神经网络对标准普尔500指数的波动性进行建模，使用谷歌股票国内趋势作为市场波动性的指标。

因此，反映了多个参数的宏观经济状况以及公众情绪，并在平均绝对误差百分比方面优于线性岭/套索和GARCH等基准。Dixon[9]提出了一种用于金融市场趋势预测的深度神经网络，该网络使用多种金融工具（包括43种商品和外汇资产）训练预测模型，旨在将未来趋势分类为正、负或负。该数据集由所有符号的聚合特征训练集组成，每个训练集由9895个工程特征和价差编码。神经网络由五个完全连接的层组成，该模型可以预测工具的强度，同时忽略交易成本。3股票价格趋势的深度学习预测在这项工作中，我们旨在根据原始数据推导出一个基于DL的预测模型，以预测金融资产的未来趋势。所提出的方案是资产价格趋势的动态概率估计，可通过进入多头或空头头寸应用于活跃交易，同时在第4章中介绍了确定给定空头头寸的退出点。长期交易是指购买一种工具，以便以后以更高的价格出售。因此，在预期出现积极趋势时使用，其潜在损失仅限于交易成本。当预计价格下跌时，首先借入金融工具，然后通过回购最初借入的工具来结束空头交易。空头头寸的损失是无限的，因为未来的价格是无限的。

术语“买入”和“多头”经常互换使用，术语“卖出”和“卖空”也经常互换使用。设x（n），n∈ Z是一个离散的金融时间序列信号，如Anaset的历史收盘价，y（n | x，T）∈ {-1，1}是时间趋势，例如y（n）=1，如果x（n+T）>x（n）正趋势-1，如果x（n+T）6 x（n）负趋势3.1其中T>0是预测区间。设bx（n）和^y（n）分别为估计信号和趋势。我们的目标是最小化使用价格日志数据x（n）P（y=j | x（n））=eZjPKk=1eZk3.2训练的softmaxloss函数L（n）=L（y（n），^y（n））∈ 1.K、 其中ZK是神经网络softmax层的输入。对于上/下两类分类问题，K=2，物流损失由l=-log（eZiPk=1eZk）3.3其中i是地面真值标签y（n）。该方案利用了y（n）的硬估计和软估计，我们表示软估计p（y | x）。3.1基于深度学习的价格趋势预测图1所示的拟议方案包括两个阶段。第一种方法（详见第3.2节）旨在预测信号的趋势y（n）和相应的概率p（y | x），而第二种方法（如第4章所述）将预测的趋势应用于衍生投资策略，在收取佣金的交易环境中运作，在每个时间步骤中，可以购买/持有/出售资产。我们首先将价格历史输入数据x（n）预处理为M长度的特征向量，该特征向量由顺序归一化价格值组成，时间增益由gn=^y（n）·（x（n+T）给出- x（n））。

3.43.2价格趋势预测的深度学习模型为了预测未来的股票价格趋势，我们应用分类神经网络训练，使用之前M分钟的原始价格数据^y（n）=^y（n | xn-M+1。。，xn）。预测模型Trading Decisions Makingp（y | x（t））x（t）=Calculate Gain/LossActionx（t）Data ParsingCurrentStock PriceBuy/Hold/SellgtGain/Loss Log{xt-M+1，xt-M+2，…，xt}每笔交易的收益图1：我们基于深度学习的财务趋势预测系统的示意图，我们应用了图2所示的神经网络，并利用卷积层进行了实验，尽管由于低维特征空间，它并没有产生显著的精度提高。60x500 FCLayer 1ReLUOutput:500x1输入：60x1衰减（0.5）500x200 FCLayer 2ReLUOutput:200x1衰减（0.5）200x40 FCLayer 3ReLUOutput:40x140x20 FCLayer 4ReLUOutput:20x120x2 FCLayer 5ReLUOutput:2x1Softmax损耗图2：用于预测价格趋势的神经网络。3.3预处理单元x（n）是由标准普尔500指数资产收盘价数据组成的一分钟分辨率网络的输入。对于每个数据点x（n）∈ R、 我们使用了之前M=60分钟的原始收盘价。通过解析价格数据对数据集进行预处理，其中每个样本S（n）在交易日的交易时间内编码一个特定的rMinute。每个这样的样本由其前面的60个数据点x（n）和表示趋势的标签y（n）组成。我们的方法与日内交易相关，并根据属于同一交易日的数据进行培训。为了避免不规则的交易期，我们省略了属于盈利公布期的交易日，以及省略了部分交易时数的交易日。为了避免过度匹配，我们在第一层和第二层之后使用了退出层，并根据验证集提前停止培训。

数据集分为临时非重叠、训练、验证和测试集。3.4标记财务数据集预测区间T的持续时间与特征x（n）（pastintra日价格值）和未来值y（n+T）之间的相关性有关，该相关性随着预测区间T值的增加而减小。相比之下，对于较大的预测区间，财务价格变化更为显著。通过使用1≤ T≤ 30分钟，针对每个数据集训练不同的模型，并通过交叉验证选择T，如表1.4概率交易策略中所述。为了将拟议的DL预测模型应用于金融数据，我们推导了买入-持有-卖出概率交易策略，旨在在回测期（1）内最大化总体累积回报G=n=NT esnXn=1gn4.1≤n≤ NT esn），其中时间增益gnis在等式3.4中给出。实现交易便利性的主要挑战是每笔交易收取的交易成本TC，因为平均似然比=E{p（^y=y | x）}E{p（^y 6=y | x）}4.2正确预测和错误预测的概率通常只有几个百分点。此外，平均日内波动率相对较小~ P（n+Tintraday）- P（n）），4.3其中Tintradayin表示典型的日内交易期。我们将gnto gnT Ctaking的定义推广到交易成本C=^y（n）·（x（n+T）- x（n））- TC，4.4因此，我们参考了单一交易中涉及的买卖交易的统一交易成本。我们的目标是确定可预测交易的子集，用αp（y | x）表示∈ {0，1}，因此αp（y | x）=1表示可支持的交易，αp（y | x）=0表示不可支持的交易。因此，累积增益由g=n=NT esnXn=1（gnT Cαnp（y | x））给出。