通过异常规避进行风险管理：针对

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：
《Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for
  Midterm Stock Prediction》
---
作者：
Xinyi Li, Yinchuan Li, Xiao-Yang Liu and Christina Dan Wang
---
最新提交年份：
2019
---
英文摘要：
  Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.
---
中文摘要：
中期股价预测对于股票市场的价值投资至关重要。然而，大多数深度学习模型本质上是短期的，将其应用于中期预测会遇到巨大的累积误差，因为它们无法避免异常。在本文中，我们提出了一种新的用于中期股票预测的深度神经网络Mid-LSTM，它将市场趋势作为隐藏状态。首先，在自回归滑动平均模型（ARMA）的基础上，通过同时考虑隐藏状态和资本资产定价模型，建立了一个中期ARMA。然后，设计了一个基于LSTM的中期深度神经网络，该网络由LSTM、隐马尔可夫模型和线性回归网络三部分组成。所提出的中期LSTM可以避免异常，减少较大的预测误差，对影响股价的因素具有良好的解释效果。对标准普尔500指数股票的大量实验表明：（i）所提出的中期LSTM在预测精度上提高了2-4%，并且（ii）在组合配置投资中，我们实现了120.16%的年回报率和2.99的平均夏普比率。
---
分类信息：

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
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Risk_Management_via_Anomaly_Circumvent:_Mnemonic_Deep_Learning_for_Midterm_Stock.pdf (2.41 MB)

2022-6-24 13:35:32 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：风险管理 Applications Quantitative Econophysics Statistical

通过异常规避进行风险管理：中期股票预测的记忆深度学习李欣怡*xl2717@columbia.eduColumbia李仁川大学*liyinchuan@bit.edu.cnBeijing杨晓阳技术研究所Liuxl2427@columbia.eduColumbia克里斯蒂娜大学。wang@nyu.eduNew约克大学上海分院股票市场。然而，大多数深度学习模型本质上是短期的，将其应用于中期预测会遇到巨大的累积误差，因为它们无法避免异常。在本文中，我们提出了一种新的用于中期股票预测的深度神经网络中期预测方法，该方法将市场趋势作为隐藏状态。首先，在自回归滑动平均模型（ARMA）的基础上，综合考虑隐含状态和资本资产定价模型，建立了一个中期ARMA模型。然后，设计了一个基于LSTM的中期深度神经网络，该网络由LSTM、隐马尔可夫模型和线性回归网络三部分组成。提出的中期LSTMCA可以避免异常，减少较大的预测误差，并具有很好的解释力因素a的ects调整股票价格。对标准普尔500指数股票的扩展实验表明：（i）拟议的MidLSTM在预测精度上提高了2-4%，并且（ii）在组合配置投资中，我们实现了120.16%的年回报率和2.99的平均夏普比率。CCS概念o信息系统应用→ 数据挖掘。关键词库存预测、风险管理、异常检测、深度学习、LSTM、CAPM、ARMAACM参考格式：李欣怡、李银川、刘晓阳和王晓婷。2019年。通过异常规避进行风险管理：中期股票预测的记忆深度学习。第二届KDD金融异常检测研讨会论文集（Anchorage’19）。

ACM，美国纽约州纽约市，8页。https://doi.org/10.1145/nnnnnnn.nnnnnnn*两位作者对这项研究的贡献不相上下。允许制作本作品的全部或部分数字或硬拷贝以供个人或教室使用，无需支付任何费用，前提是不得为专业人士制作或分发副本或commercial advantage，且副本上附有本通知和首页。必须尊重ACMM以外的其他人拥有的本作品组件的版权。允许信用提取。要以其他方式复制或重新发布、在服务器上发布或重新分发到列表，需要事先指定c许可和/或afee。从请求权限permissions@acm.org.Anchorage2019年8月5日，阿拉斯加州安克雷奇(c)2019计算机械协会。ACM ISBN 978-1-4503-9999-9/18/06$15https://doi.org/10.1145/nnnnnnn.nnnnnnn1中期股票预测是投资公司和定量分析师的基础和重要内容。相对于高风险，中期投资一直是人们高度关注的问题。然而，它已经被证明是一个非常股票市场是一个高度非线性的动态系统。尤其是股票的走势受利率等巨大因素的影响通货膨胀率、交易者预期、灾难、价格都是嘈杂的，并且包含许多异常现象。如果不能发现异常从客观上看，中期预测的风险将非常高。递归神经网络（RNNs）被广泛用于预测股票价格[，，]。然而，主要问题是，传统RNN无法解决长期的序列依赖性问题[]。因此，这些RNN无法记住早期用于解决长时间滞后问题的方法。提出了一些利用LSTM进行股票序列预测的方法[，，]，这表明了LSTM在股票预测中的适用性和潜力。

在[，]中，分析了使用LSTM预测短期收益和股票价格的方法。在[]中，LSTM神经网络与情绪分析相结合，预测短期股价。不幸的是，传统的LSTM网络股票价格嘈杂且不稳定。的分布nancialtime系列随时间变化，这意味着股票价格并非平稳且内在复杂。相比之下，LSTM更适合于中期预测，因为它有记忆单元，可以保留序列的模式。主要di中期股价预测的关键在于它需要全序列预测，即后者的预测价格是基于之前的预测价格。因此，预测误差将累积，如果之前的预测价格有偏差，则nal预测非常准确，可能导致更高的投资风险。为了降低投资风险，应使用合适的神经网络来获得准确的预测价格。此外，适当的股票价格模型应考虑阿曼的ects。对于价值投资者，他们需要一个风险管理模型来客观地检测中期股价变化趋势，再见客观地避免由异常情况引起的投资不确定性。2019年8月5日，安克雷奇，阿拉斯加州安克雷奇，Li和Li等人被广泛用于中期投资。中期投资扫描e客观地避免e考虑市场因素的异常ects。此外，近年来，隐马尔可夫模型（HMM）[]已被证明具有良好的隐藏状态检测能力。

HMM模型可用于检测市场和交易量等的隐藏状态，从而客观上避免了黑云母。本文旨在用模型预测中期股票价格，由于模型不能充分考虑各种因素对价格的影响，因此提出了一个包含多个模型的股票价格模型。首先，使用自回归滑动平均（ARMA）[]序列预测，建立股票中期预测问题。然后，在基于ARMA的中期预测模型（MidARMA）中考虑了几个与股价高度相关的变量，例如，交易量，其变化可能是价格变化的前兆。此外，受CAPM、市场价格和相关性coe的启发Mid ARMA模型考虑了股票和市场之间的关系，以改进预测。提出了用深度神经网络（Mid LSTM）预测股票价格，其中LSTM网络用于预测股票价格rst预测股票价格、成交量和市场价格。然后，HMM是信息提取任务中一种强大的统计机器学习技术，用于提取可用股票价格之间的隐藏状态，线性回归是一种建模因变量与一个或多个ne预测的股票价格。最后，我们将Mid-LSTMnetwork与许多传统的机器学习方法进行了比较，基于DLSTM网络可以在di下获得准确的预测价格erentmarket条件，表示可以提高投资回报率。特别是当市场处于异常状态时，本文的其余部分组织如下。在第二节中，我们介绍了传统的股票价格模型，并提出了中期股票预测的MidARMA模型。

在第3节中，我们开发了中LSTM深度神经网络，并给出了训练细节。第4节提供了数据预处理、投资组合分配方法和投资回报。第5节总结了本文。2股票价格模型在本节中，我们首先介绍了传统的股票价格模型，然后提出了中期股票预测的Mid-ARMA模型及相应的损失函数。2.1传统股票价格模型ARMA模型是应用最广泛的线性模型之一，是过去值和过去误差的线性组合[]。设x为基于时间t的ARMA的变量，则x为=f（{Xt-i} pi=1），=u+p~Oi=1ДiXt-我-q~Oi=1ψjεt-j+εt，（1）其中-IDE记录时间t的过去值- i；εtdenotes-therandom-error at-timet；^1iandψjare the coe科学家；u是一个常数；pandqare整数，通常分别称为自回归和移动平均多项式。股票价格变动，如成交量和市场指数。成交量是指在一定时期内交易的股票或合同数量。它被用来推断事件是否具有信息内容，以及投资者对信息的解释是否相似或不同erent[]。[22]和[4]中的实证分析有三个方面建议：o小批量通常伴随着价格下跌；o大量交易通常伴随着价格上涨；o成交量的大幅增加通常伴随着价格的大幅上涨或大幅下跌。St在股价XT和成交量Vt之间，即St-i=Д（Xt-i、 Vt公司-i） ，i=1。。。，p、 （2）式中，？（·）表示隐藏函数。隐藏变量通常是ned作为变量ect股票价格，但不可见，需要从可见变量中提取。可以考虑在股票价格模型中减少异常的影响。

根据描述股票和市场之间风险和收益关系的CAPM[]，资产R均衡时的预期收益为（R）=rf+βM[E（RM）- rf），（3）其中E（RM）表示预期市场回报；Rf表示无风险费率；βM=cov（R，RM）σ（RM）（4）是市场β，cov（·）是协方差，σ（·）是标准方差。2.2股票价格的Mid ARMA模型股票价格变动是由于受多种因素的影响，单一的股票模型不能充分考虑各种因素对价格的影响，导致预测误差较大。在这里，我们引入多重因子来共同描述股票价格，并减少波动的影响。首先，将体积添加到模型中。然后，Capminspire让我们将市场影响纳入中期股票预测。为此，我们提出的Mid ARMA模型由^Xt=αXAt+c+ρ（λMAt+η）|{z}基于CAPM的+γД（XAt，VAt）|{z}隐藏状态给出，=αXAt+λρMAt+ηρ+γSAt+c，（5）通过异常规避的风险管理：中期股票预测的记忆深度学习Anchorage’2019年8月5日，Anchorage，AlaskaHMMCorrelatorLinear regressionLSTMMarket指数股价成交量预测股价图1:Mid LSTM框架。其中α、η、λ和γ为加权因子；cis a常数；相关性coe通过ρ=cov（XAt，MAt）σ（XAt）·σ（MAt），（6）计算得出的系数，以及市场指数和容积率也基于ARMA模型进行预测，类似于（1）asMAt=f（{Mt-i} pi=1），（7）VAt=f（{Vt-i} pi=1）。

（8） 2.3 Mid-LSTMOur提出的Mid-LSTM神经网络旨在通过最小化以下损失函数，基于Mid-ARMA模型预测中期股价：L=minp+T~OT=p+1Xt公司-^Xt, （9） 其中，t表示预测时隙的数量，即t=。。。，比较观察值（训练输入数据），t=p+。。。，p+皮重^Xt（5）^x以及体积，通过最小化损失函数：L=minp+T~OT=p+1Ytraint公司- f（Xtraint）, （10） 其中，xtraintandytraintare分别是训练输入集和训练输出集：Xtraint={（Xt-i、 Mt公司-i、 Vt公司-i） }pi=1，（11）Ytraint=（Xt，Mt，Vt）。（12） 根据MidARMA设计了Mid LSTM损耗函数。LSTM网络（具有损失函数L）符合我们使用的相关系数cient而非市场贝塔，因为我们想增加股价的影响，以扩大didi之间的差异相关系数科学家。我们在这里使用市场指数，而不是预期市场回报E（RM）。忘记gateCandidate值Input gateCell stateOutput gateFigure 2：图1中的LSTM框架。中LSTM的线性回归（带损失函数）是根据中ARMA模型设计的。3 MID-LSTM神经网络的设计在本节中，我们的MID-LSTM深层神经网络是rst由LSTM、隐马尔可夫模型和线性回归网络三部分组成。然后提供“最小-最大”规格化方法和Mid LSTM培训详细信息。3.1中期LSTM计划概述中期LSTM旨在通过最小化（9）和（10）中的损失函数来预测中期股价。中期LSTM侧重于股票的中期预测（30-60天）。ourMid LSTM深层神经网络的方案如图1所示。

首先，利用STM神经网络获得预测股价，通过HMM确定预测成交量和股价之间的ST，并预测相关系数系数ρ由基于（6）的相关器计算。最后，使用线性回归模型对ne预测的股票价格，^Xtis是基于Mid-ARMA模型，通过最小化（9）中的损失函数得到的。中期LSTM整合了volumemidterm投资风险之间的隐藏状态。因此，Mid LSTM具有良好的性能，与市场高度相关。3.1.1 LSTM网络。Mid LSTM是根据Mid ARMA设计的。图1中的LSTM网络由一个输入层、一个或多个隐藏层和一个输出层组成。LSTM网络的主要特点是隐藏层由存储单元组成。每个存储单元都有一个称为“恒定错误旋转木马（CEC）”[]的核心循环自连接线性单元，该单元提供短期内存存储，并有三个门（见图2）：o输入门，控制从新输入到存储单元的信息，由它=σ（Wi×[ht-1，Xtraint]+bi），（13）^ct=tanh（Wc×[ht-2019年8月5日，安克雷奇，阿拉斯加州安克雷奇，Li和Li等人。      图3：模拟股票的LSTM预测结果。股票价格由正弦函数加高斯白噪声生成，其中正弦函数表示股票的中期趋势，高斯白噪声表示异常股票的变动。

我们可以看到，LSTM预测结果避开了异常，并且与股票趋势（正弦函数）非常一致。其中-1是时间步长t的隐藏状态-1.它是输入门层在时间步长t的输出；^ctis要在时间步长处添加到输出的候选值；分别计算输入门层的双稳态偏差和临界值；wi和w分别是输入门和候选值计算的权重；和sigmoidσ（x）=/（+e-x） 是一个逐点非线性激活函数遗忘门控制存储在内存中的值的上限，由ft=σ（Wf×[ht-1，Xtraint]+bf），（15）其中f是时间步长t的遗忘状态，wf是遗忘门的权重；bf是遗忘门的偏差控制存储单元输出信息的输出门由ct=ft×ct给出-1+it×ct，（16）ot=σ（Wo×[ht-1，Xtraint]+bo，（17）ht=ot×tanh（ct），（18）ctottwo是输出门的重量；andbois是输出门的偏差【15】。输入门、遗忘门和输出门可防止记忆内容受到异常（不相关的输入和输出）的干扰，因此LSTM适用于包含长期模式的学习序列[]。相比之下，短期股价趋势一个简单的例子如图3所示，以进一步说明这一点，其中LSTM根据输入价格（0至59天）预测模拟股价（60至120天）。股票趋势用正弦函数表示，然后用高斯白噪声叠加表示异常股价波动。我们可以看到，LSTM可以很好地预测中期股票趋势，而与异常高度相关的短期趋势是不可预测的（在61-63天期间，股票价格下跌，但LSTM仍然预测上升趋势）。3.1.2 HMM网络。