投资排名挑战：确定表现最佳的股票

在6个月的时间内，共有70个属性被输入到这个卷积层。该块的输出同样是6个时间步的序列，但对于经常性块具有更丰富和有用的特性。3） 递归层：使用此块的主要原因是利用递归神经网络最重要的特性，即学习时间相关数据的时间信息。卷积块的输出是6个月内特征向量的序列。在这项工作中，长-短期记忆细胞与tanh激活被用于这一块。4） 输出层：由重复层生成的嵌入现在被馈送到一个完全连接的层，该层将使用输入序列的丰富表示来预测6个月前窗口中的重新运行。我们对神经元使用tanh激活。在复发性阻滞后，在dropoutlayer在场的情况下进行训练，以使模型更加稳健。B、 实验和结果在本文中，我们使用K-折叠交叉验证实现了一个深度学习框架来预测未来6个月窗口的收益率。该框架在第一轮中实现了0.155的SpearmanCorrelation和0.166的NDCG。C、 讨论该方法是预测半年收益率的端到端方案。该系统直接从过去一年的数据中学习到潜在空间的映射，这有助于预测收益。今后的工作可以在同一个平台上进行。1） 我们可以使用从股票互联网上的博客中获取的最新消息生成的情绪特征向量来预测回报2）预处理中的插补值可以用过去数据的平均值或中值来代替。九、 CROWDAI CHALLENGEFig。8.

1996年期间标准化股票回报的分布IEEE投资排名挑战赛由Crowdai主办，其目标是建立一个模型，根据未来六个月窗口内的预期回报对一组股票进行排名。这项任务的数据集由Principal Financial Group提供，其中包括1996年至2017年一组股票的预测值和半年回报率。这21年的跨度被表示为42个不重叠的6个月周期。在42个时间段中的每一个时间段中，选择了市值最大（即以美元计的总市值）的约900只股票。所有股票识别码均已删除，所有数字变量均已匿名化和规范化。通过在每个时间段随机抽取股票样本来创建训练和测试数据集。60%的股票被抽样到训练集中，剩下的40%创建了测试集。最后，来自图9第二部分（a）（b）（c）（d）的所有数据。前六名参与者的得分分布，依次为第一轮和第二轮IG。前六名参赛者提交的材料总数。11、将2017年第一轮和第二轮前六名参与者的最终得分分布分配给测试集。这6个月的时间对模型性能进行了最终抽样测试。图8显示了第一个时期（1996年2月）的股票回报分布。为了评估，选择了扩展窗口程序。对于给定的时间段T，expandingwindow测试允许模型合并时间T之前的所有可用信息，以生成时间T+1的预测。图12：。所有参与者每日提交的总提交量。13

第1轮和第2轮最大斯皮尔曼相关性的逐日演变使用的指标是斯皮尔曼相关性和前20%的归一化累积收益（NDCG）。此次挑战分两轮进行，第一轮从2018年3月20日至2018年5月3日，第二轮从2018年5月3日至2018年5月20日。在第1轮中，参与者被要求创建模型，并将预测上传到crowdAI，重点是构建模型原型，以最大限度地利用2002-2016年的抵制数据统计指标。第二轮对所有挑战参与者开放。参与者在短文中解释了他们的方法、结果和结论，并使用Docker对提交的解决方案的代码进行了打包，以对2017年的一组新的抵制数据进行测试和评估。最终获胜者是根据最终得分选出的，最终得分是第一轮斯皮尔曼相关性排名的平均值、第一轮的兰科夫NDCG排名、第二轮的斯皮尔曼相关性排名、第二轮的NDCG排名。图9（a）和图9（b）分别显示了从左到右排名前六位参与者在第1轮中的spearman相关性和NDCG（图9中条形图的x轴标签）。第二轮评估使用了2017年的数据，斯皮尔曼和NDCG得分分别如图9（c）和图9（d）所示。图10显示了前六名参与者在第1轮和第2轮提交的总数量，而图12显示了所有参与者提交的总数量的日特征。图11中的方框图显示了前六名参与者在第一轮和第二轮的NDCG和spearmancorrelation的平均值和方差。最后，在至少有一次提交的日期内计算的两轮最大斯皮尔曼相关性的演变如图所示。

13.致谢作者感谢Benjamin Harlander，主要金融集团，为challengedata和洛桑联邦理工学院（EPFL）提供帮助，尤其是Sylvian Bernard和Sean Carroll，帮助组织比赛。参考文献【1】3.2.4.1.9。sklearn。线性模型。RidgeCV scikit学习0.19.2文档。[2] https://www.kaggle.com/c/two-sigma-财务建模。[3] sklearn。线性模型。BayesianRidge scikit学习0.19.2文档。[4] sklearn。线性模型。HuberRegressor剪刀套件学习0.19.2文档。[5] sklearn。线性模型。LinearRegression scikit学习0.19.2文档。[6] sklearn。线性模型。Ridge scikit学习0.19.2文档。[7] sklearn。svm。LinearSVR scikit学习0.19.2文档。[8] 米歇尔·巴林斯和德克·范·登·波尔。内核工厂：内核机器的集合。专家系统与应用，40（8）：2904–29132013。[9] 米歇尔·巴林斯、德克·范登波、纳塔莉·赫斯佩尔斯和鲁本格里普。评估股票价格方向预测的多个分类。《专家系统与应用》，42（20）：7046–70562015。[10] Debasish Basak、Srimanta Pal和Dipak Chandra Patranabis。支持向量回归。神经信息处理信件和评论，11（10）：203–2242007。[11] 利奥·布雷曼。随机森林。机器学习，45（1）：5–32，2001年。[12] 陈天齐和卡洛斯·古斯特林。Xgboost：一个可扩展的树Boosting系统。第22届acm sigkdd国际知识发现和数据挖掘会议论文集，第785-794页。ACM，2016年。[13] 科琳娜·科尔特斯和弗拉基米尔·瓦普尼克。支持向量网络。机器学习，20（3）：273–2971995。[14] Anna Veronika Dorogush、Vasily Ershov和Andrey Gulin。Catboost：支持分类功能的渐变增强。[15] 托马斯·菲舍尔和克里斯托弗·克劳斯。金融市场预测的长短期记忆网络深度学习。

《欧洲运筹学杂志》，270（2）：654–6692018。[16] Yoav Freund和Robert E Schapire。在线学习的决策理论推广及其在boosting中的应用。《计算机与系统科学杂志》，55（1）：119–139，1997年。[17] 塞普·霍克雷特（Sepp Hochreiter）和于尔根·施密杜伯（J¨urgen Schmidhuber）。长期短期记忆。神经计算，9（8）：1735-17801997。[18] 柯国林、齐蒙、托马斯·芬利、王泰锋、陈伟、马卫东、叶启伟和刘铁岩。Lightgbm：一种高效的梯度推进决策树。《神经信息处理系统的进展》，第3146–3154页，2017年。[19] 詹姆斯·肯尼迪。粒子群优化。机器学习百科全书，第760-7662010页。[20] 克里斯托弗·克劳斯、宣安·多和尼古拉斯·哈克。深层神经网络、梯度增强树、随机森林：标准普尔500指数的统计套利。《欧洲运筹学杂志》，259（2）：689–7022017。[21]Jigar Patel、Sahil Shah、Priyank Thakkar和Ketan Kotecha。融合机器学习技术预测股市指数。ExpertSystems with Applications，42（4）：2162–217220015。【22】Akhter Mohiuddin Late、Arun Agarwal和VN Sastry。递归神经网络和股票收益预测的混合模型。ExpertSystems with Applications，42（6）：3234–32412015。【23】易晓、金晓、陆凤斌、王守阳。用于股票电子交易所日前价格预测的集成annspso ga方法。《国际计算智能系统杂志》，6（1）：96–1142013。[24]Kamil˙Zbikowski。使用具有前向检验和特征选择的成交量加权支持向量机创建股票交易策略。《专家系统与应用》，42（4）：1797–18052015。