BriefGPT - AI 论文速递
·
深度委托簿预测
内容提要
本文介绍了一种利用深度学习和限价单数据预测股票价格的方法，采用LSTM和卷积滤波器以提高预测精度。研究设计了新特征并进行实验评估，解决了中间价格运动预测问题，并提出了高频限价单市场的公共基准数据集。此外，探讨了贝叶斯神经网络在头寸控制中的应用，揭示了深度学习模型在实际市场中的局限性，并提出了新的预测算法和市场制造策略。
关键要点
-
本文介绍了一种利用深度学习通过限价单数据预测股票价格的方法，采用LSTM和卷积滤波器提高预测精度。
-
研究设计了新的手工特征，并对流动性和非流动性股票进行实验评估，解决了基于限价单簿数据的中间价格运动预测问题。
-
提出了高频限价单市场的第一个公共基准数据集，包含来自NASDAQ Nordic股票市场的5种股票的约400万时间序列样本。
-
首次将贝叶斯神经网络应用于限价买卖订单簿，证明了不确定性信息可以用于头寸控制，提高了预测性能。
-
研究发现深度学习模型在新数据中表现出明显的性能下降，质疑其在实际市场中的适用性。
-
提出了一种基于Hawkes模型的新型预测算法，利用未来财务交互的预测提高收益方向的预测准确性。
-
构建了微观结构建模框架，研究FIFO限价委托簿中的最优市场制造策略，并提出了最优策略的计算方法。
-
提出了一种新的神经网络结构来建模空间分布，具有计算效率，并提供了价格移动的低维模型。
-
扩展了LOBRM模型的应用范围，提出了包含时间加权z分数标准化和指数衰减核的LOBRM流程，预测准确率优于传统非线性模型。
延伸问答
深度学习如何用于股票价格预测？
深度学习通过限价单数据，结合LSTM和卷积滤波器，提高了股票价格预测的精度和时间依赖性。
什么是高频限价单市场的公共基准数据集？
这是一个包含来自NASDAQ Nordic市场的5种股票约400万时间序列样本的数据集，用于中间价格预测。
贝叶斯神经网络在头寸控制中的作用是什么？
贝叶斯神经网络通过后验预测分布提供的不确定性信息，可以用于头寸控制，避免不必要的交易，提高利润。
深度学习模型在新数据中的表现如何？
研究发现，深度学习模型在新数据中表现出明显的性能下降，质疑其在实际市场中的适用性。
Hawkes模型在预测算法中有什么创新？
Hawkes模型通过利用未来财务交互的预测，提高了收益方向的预测准确性，并在交易环境中表现优于基准模型。
如何构建最优市场制造策略？
通过微观结构建模框架和马尔科夫决策过程，提出了最优策略的计算方法，并通过模拟数据验证其高效性。
