基于深度学习的金融时间序列预测

波动率PY 61.1 10.6 14.0INTC 87.7 14.1 24.6AAPL 115.4 24.3 23.5GOOGL 144.0 35.1 25.7BAC 83.6-11.1 26.4AMZN 152.2 86.1 34.2KO 16.3 18.5 15.7T 24.2 22.4 15.6JNJ 7.4 9.0 15.3BA 47.4 4 4 22.2表2：两年测试期间拟议主动交易策略的累积收益（佣金0.1%），与基准工具变动和年化历史波动率相比。工具SymbolSPY INTC AAPL GOOGLBAC AMZN KO T JNJ BA每日收益率[以单笔交易的百分比计]-2-1.5-1-0.500.511.52不同工具的平均+/-标准偏差（a）工具SYMBOLSPYINTCAAPLPGOOGLBACAMZNKOTJNJBADAYLY收益率[以单笔交易的百分比计]-1-0.8-0.6-0.4-0.200.20.40.60.81（b）图9：拟议深度学习主动交易的每日收益率不同工具的策略，以及0.1%的佣金。（a） 不同工具每日收益的平均标准差。（b） 中位数，以及25%和75%的百分位数。年波动率10 15 20 30 35 2年累计收益[%]020406080100160160 SPYINTCAAPLGOOGLBACAMZNKOTJNJBAFIGURE 10：不同工具活跃交易获得的累计收益与工具波动率之间的线性回归关系。6结论和未来工作在这项工作中，我们提出了一种金融时间序列预测的深入学习方法。

为此，我们提出了一个基于原始财务数据输入的端到端深度学习预测模型，与每笔交易佣金（买入和卖出）[%]0 0.05 0.1 0.15年度夏普比率-1001020304050Spyintcappogolbacamznkotjnjbafigure 11：年度夏普比率作为不同工具交易佣金的函数。基于工程特征的金融时间序列分析常用统计方法。我们的方法可以产生统计上显著的预测，我们还推导出了一个概率交易方案，在现实的佣金交易环境中实现了可行性。该交易策略利用DL的软输出来表示预测的有效性，并且表现出优于基于其他机器学习算法的主动交易和基线买入并持有投资策略。未来的工作应该包括统一预测模型和交易策略。该模型可以根据每个时间点可用的全部历史数据进行动态更新。预计这些程序将进一步提高预测精度。其他改进可以通过其他来源的附加信息来实现，例如流媒体报告。特别是，根据马科维茨的投资组合理论，优化资产组合（ETF、股票等）应该会产生更好的结果，即更低的波动性和更高的可操作性。参考文献【1】鲁道夫·埃米尔·卡尔曼。线性滤波和预测问题的新方法。《基础工程杂志》，82（1）：35–451960年。[2] 詹姆斯·德宾。有效估计移动平均模型中的参数。Biometrika，46（3/4）：306–316，1959年。[3] 乔治·EP·博克斯和大卫·A·皮尔斯。自回归综合移动平均时间序列模型中剩余自相关的分布。

《美国统计协会杂志》，65（332）：1509–15261970。[4] 蒂姆·博勒斯列夫。广义自回归条件异方差。《计量经济学杂志》，31（3）：307-3271986。[5] Ruey S Tsay。《金融时间序列分析》，第543卷。约翰·威利父子出版社，2005年。[6] Nesreen K Ahmed、Amir F Atiya、Neamat El Gayar和Hisham El Shishiny。时间序列预测机器学习模型的经验比较。《计量经济学评论》，29（56）：594–6212010。[7] Gianluca Bontempi、Souhaib Ben Taieb和Yann-A¨el Le Borgne。时间序列预测的机器学习策略。商业智能，第62-77页。Springer，2013年。[8] Yann LeCun、Yoshua Bengio和Geoffrey Hinton。深度学习。《自然》，521（7553）：436–4442015。[9] Matthew Francis Dixon、Diego Klabjan和Jin Hoon Bang。使用深度神经网络进行基于分类的金融市场预测。2016年【10】Angelos Kanas和Andreas Yannopoulos。比较股票收益的线性和非线性预测。《国际经济与金融评论》，10（4）：383–3982001。[11] Tao Ban、Ruibin Zhang、Shaoning Pang、Abdolhossein Sarrafzadeh和Daisuke Inoue。金融时间序列预测的参考knn回归。神经外毒素信息处理国际会议，第601–608页。Springer，2013年。[12] 医学博士Ra fiul Hassan和Baikunth Nath。利用隐马尔可夫模型预测股市：一种新方法。《智能系统设计与应用》，2005年。ISDA\'05。诉讼程序。第五届国际会议，第192-196页。IEEE，2005年。[13] Robert K Lai、Chin Yuan Fan、Wei Xiu Huang和Pei Chann Chang。用于金融时间序列数据预测的进化和聚类模糊决策树。《专家系统与应用》，36（2）：3761–37732009。[14] 弗朗西斯·艾·泰和曹丽娟。支持向量机在金融时间序列预测中的应用。

Omega，29（4）：309–3172001。[15] 金敬在。使用支持向量机进行金融时间序列预测。神经计算，55（1）：307-3192003。[16] Alex Krizhevsky、Ilya Sutskever和Geoffrey E Hinton。使用深度卷积神经网络进行Imagenet分类。神经信息处理系统进展，第1097–11052012页。[17] 何开明、张向玉、任少清、孙健。图像识别的深度剩余学习。《IEEE计算机视觉和模式识别会议记录》，第770–7782016页。[18] Awni Hannun、Carl Case、Jared Casper、Bryan Catanzaro、Greg Diamos、Erich Elsen、RyanPrenger、Sanjeev Satheesh、Shubho Sengupta、Adam Coates等。深度语音：扩展端到端语音识别。arXiv预印本arXiv:1412.55672014。[19] Alex Graves和Navdeep Jaitly。使用递归神经网络进行端到端语音识别。ICML，第14卷，第1764–1772页，2014年。[20] Ronan Collobert和Jason Weston。自然语言处理的统一架构：具有多任务学习的深度神经网络。第25届国际机器学习会议记录，第160-167页。ACM，2008年。【21】Oren Melamud、Jacob Goldberger和Ido Dagan。context2vec：使用双向lstm学习通用上下文嵌入。CONLL诉讼，2016年。[22]Ehud Ben Reuven和Jacob Goldberger。一种基于阶梯网络的半监督语言识别方法。arXiv预印本arXiv:1604.003172016。亚历克斯·格雷夫斯。监督序列标记。《递归神经网络监督序列标记》，第5–13页。Springer，2012年。[24]Seonwoo Min、Byunghan Lee和Sungroh Yoon。深入学习生物信息学。《生物信息学》杂志，BBW0682016页。塞缪尔·隆奎斯特和彼得·萨林。新闻中的银行危机：通过深度学习描述事件。

arXiv预印本arXiv:1603.056702016。【26】拉尔夫·费勒和斯特凡·费里格尔。通过深度学习改进决策分析：财务披露案例。arXiv预印本arXiv:1508.019932015。【27】小丁、张跃、刘婷、段俊文。事件驱动股票预测的深度学习。IJCAI，第2327–2333页，2015年。【28】JB Heaton、NG Polson和JH Witte。深度投资组合理论。arXiv预印本arXiv:1605.072302016。【29】熊若轩、埃里克·P·尼科尔斯、袁申。深入学习谷歌国内趋势的股票波动性。arXiv预印本arXiv:1512.049162015。[30]Geoffrey E Hinton、Nitish Srivastava、Alex Krizhevsky、Ilya Sutskever和Ruslan R Salakhutdinov。通过防止特征检测器的共同自适应来改进神经网络。arXiv预印本XIV:1207.05802012。[31]QuantQuote-专家市场数据解决方案。https://quantquote.com/historical-stock-data.[32]Andrea Vedaldi和Karel Lenc。Matconvnet:matlab的卷积神经网络。第23届ACM国际多媒体会议记录，第689-692页。ACM，2015年。【33】Jean Folger。投资领域。com/大学。2017年3月。[34]Andrew W Lo。夏普比率的统计数据。《金融分析师杂志》，第36-52页，2002年。[35]威廉·夏普。夏普比率。《投资组合管理杂志》，21（1）：49–581994年。