Глубокое обучение в задаче прогнозирования финансовых временных рядов
Автор: Зелезецкий Д.В.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Математика
Статья в выпуске: 3 (63) т.16, 2024 года.
Бесплатный доступ
Рассматривается задача прогнозирования временных рядов цен финансовых инструментов, а также обсуждается проблематика подбора функции потерь для прогнозирования данных со спекулятивным интересом. В ходе исследования производится проверка ряда нейросетевых архитектур (LSTM, Transformer, TSMixer), затем наилучшая модель интегрируется в торговый алгоритм, который оптимизируется в дальнейшем по своим гиперпараметрам. На последнем этапе производится тестирование полученного торгового алгоритма.
Финансовые временные ряды, нейросетевое прогнозирование, алгоритмическая торговля, создание торговой стратегии
Короткий адрес: https://sciup.org/142242983
IDR: 142242983
Список литературы Глубокое обучение в задаче прогнозирования финансовых временных рядов
- Zinenko A. Forecasting financial time series using singular spectrum analysis // Business Informatics. 2023. V. 17, N 3. P. 87 100.
- Junyoung C., Caglar G., KyungHyun C., Yoshua B. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling // Deep Learning and Representation Learning Workshop. 2014.
- Vaswani A., Shazeer N., Parmar N., Vszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. Attention is all you need // Proceedings of the 31st International Conference on Neural Information Processing Systems, NIPS'17, Red Hook, NY, USA. Curran Associates Inc. 2017. P. 6000 6010.
- Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9, N 8. P. 1735-1780.
- Zeng A., Liu X., Lin Z. Xu J., Tao D. TSMixer: An All-MLP Architecture for Time Series Forecasting // arXiv preprint arXiv:2303.06053. 2023.
- Lee T. Loss Functions in Time series forecasting // University of California, Riverside. 2007.
- Boyd S., Busseti E., Diamond S., Kahn R.N., Koh K, Nystrup P., Speth J. Multi-Period Trading via Convex Optimization // Foundations and Trends in Optimization. 2017. V. 20, N 20. P. 1-74.
- Landi F., Baraldi L., Cornia M., Cucchiara R. Working Memory Connections for LSTM // Neural Networks. 2021. P. 334-341. EDN: XQQDVD
- Song D.-M., Tumminello M., Zhou W.-X., Mantegna R.N. Evolution of worldwide stock markets, correlation structure, and correlation-based graphs // Physical Review E. 2011. V. 84, N 2.
