全部版块 我的主页
论坛 经济学人 二区 外文文献专区
718 15
2022-05-06
英文标题:
《Integration of a Predictive, Continuous Time Neural Network into
  Securities Market Trading Operations》
---
作者:
Christopher S Kirk
---
最新提交年份:
2014
---
英文摘要:
  This paper describes recent development and test implementation of a continuous time recurrent neural network that has been configured to predict rates of change in securities. It presents outcomes in the context of popular technical analysis indicators and highlights the potential impact of continuous predictive capability on securities market trading operations.
---
中文摘要:
本文描述了连续时间递归神经网络的最新开发和测试实现,该网络已被配置为预测证券的变化率。它在流行的技术分析指标的背景下展示了结果,并强调了持续预测能力对证券市场交易操作的潜在影响。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Computational Finance        计算金融学
分类描述:Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法,包括蒙特卡罗,偏微分方程,格子和其他数值方法,并应用于金融建模
--
一级分类:Computer Science        计算机科学
二级分类:Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述:Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的,集中在技术和工具,使挑战性的计算模拟能够执行,其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4(经济学)中的材料。
--
一级分类:Computer Science        计算机科学
二级分类:Neural and Evolutionary Computing        神经与进化计算
分类描述:Covers neural networks, connectionism, genetic algorithms, artificial life, adaptive behavior. Roughly includes some material in ACM Subject Class C.1.3, I.2.6, I.5.
涵盖神经网络,连接主义,遗传算法,人工生命,自适应行为。大致包括ACM学科类C.1.3、I.2.6、I.5中的一些材料。
--

---
PDF下载:
-->
二维码

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

全部回复
2022-5-6 07:05:26
将预测性连续时间神经网络集成到证券市场交易运营中Christopher S KirkForecast Limited,UKdrcskirk@forecast.ltd.ukAbstractThis本文描述了一个连续时间递归神经网络的最新开发和测试实现,该网络已被配置为预测证券的变化率。它以流行的技术分析指标为背景展示了结果,并强调了持续预测能力对证券市场交易操作的潜在影响。1简介和早期开发本文详细介绍了将神经网络集成为功能交易和执行系统的子系统的研究和开发进展。本研究分为两个阶段;本研究的第一阶段包括核心神经网络算法的开发,以及在离线模式下对基础系统进行回溯测试,以确定其适用性。第二阶段是转换为一个完整的在线系统,并集成到活跃的交易操作中。2概述神经网络可以帮助解决需要适应不同环境的问题,以及算法开发复杂或不可能的问题。它们是计算机的非经典用途,在算法可以修改的虚拟空间和时间中部署大量连接和计算单元。在这样做时,他们可以利用大规模并行的机会,并被称为“学习”。这与计算机的经典用法形成了对比,计算机的运行速度肯定非常快,但只能精确地执行程序员指示的、无法“学习”的操作。以一种类似于数值方法的方式,它部署了数值算法作为“学习算法”。
二维码

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

2022-5-6 07:05:30
这些算法通过误差最小化来改进近似,并成功地描述了复杂系统的行为,例如在计算流体动力学研究中(Kirk和Mileham,1999和2002)。该项目的驱动力是这样一个假设:连接主义理论及其在自然语言处理中的应用,加上使用软约束计算不连续时间的概念,可以用于建模和模拟证券的市场价格和变化率。这一假设已在多个不同资产类别的数据源上得到验证。这被认为与证券市场运营中的整合和采用高度相关,因为不同的资产和指数在价格范围、波动性和对外部影响的反应方面表现出各自的特点,如下图1所示。对自适应算法的要求是,该算法能够在不受干预的情况下,在一系列目标问题领域内,以良好的相关性,持续进行令人满意的建模。图1:不同汇率范围差异的比较另外,自动订单执行的广泛使用抑制了短期机会,因为以更高的频率进行程序化买卖,这是值得注意的,可以通过现有的技术指标范围进行有效建模。
二维码

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

2022-5-6 07:05:33
据认为,一个潜在的优势是,通过高效、稳健的预测能力来改进交易和做市操作,从而得出接近变化率的近似值,利用统计套利机会,并检测隐藏的非线性模式。3研究与开发3。1阶段IA概念模型由数据采集和预处理组成,神经网络提供了一个计算核心和一个后处理执行子系统。这是一个“经典”前馈神经网络(如图2所示),它提供了一个离线测试框架来评估基于连接的网络的适用性。它被配置为接受来自多个预处理数据源(如市场间指数和经济指标)的输入。输出是一个向量,显示被评估的目标信号线(如股价)的预测范围和方向。图2:典型神经网络中的概念框架(Vanderplas,J,2014年,经kind许可转载后),这些试验是成功的,并为用作预测模型提供了基础,但得出的结论是,在进一步的工作中,可能会考虑最终用途应用类型的准确性和定义。这是本文的主要基础。第一部分描述的系统主要是为自动化(计算机到计算机)交易开发的,没有图形输出。因此,该系统后来进一步改进,以显示每种股票的图形和文本输出,以便将预测与实际报价进行比较。对一个不断发展、动态、适应性强的系统进行回溯测试并非易事。
二维码

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

2022-5-6 07:05:36
然而,得出的结论是,对每天从150只英国股票中选出的“一篮子20只股票”的模拟长/短投资组合进行离线(批量处理)评估,为期两个月的回溯测试是合理的测试。在这个“一篮子股票”中,每一股股票的持有期并不是固定的。进入模仿组合的分类基于统计评估。选择那些在训练过程中产生最高皮尔逊相关性的人。回溯测试得出以下结果。表1:一篮子20只股票的模拟投资组合的回溯测试结果:PositioninportfolioNo。在峰值ROI0–10 41 1000 1428 42.80%32 1490 49.00%11–20 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10 41 1000 1428 42.80%的峰值ROI0–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0–10–10 41 1000 1462 46.20%38 1471 47.10%的峰值ROI0的峰值ROI0–10的峰值ROI0。表1中的回溯测试结果说明了平均市场中的弹性和合理表现。值得注意的是,每次选择“一篮子股票”时,它可能包含与前一轮完全不同的股票。这可能不符合最佳交易策略。看到这些可能不是具有最佳回报率或风险/回报率的执行者也不是不合理的,但可以合理地预期,该系统性能将在其他回测期间得到复制。当然,将股票子集扩展到其他行业或资产类别,同样会改变潜在的结构和回报,从数学预测到活跃交易成本后交易收益的转换也是如此。
二维码

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

2022-5-6 07:05:40
表1中的结果仅为理论极限,显示为毛值,不考虑交易成本。3.2第二阶段神经网络电位和反向测试被认为是令人满意的,并确定应将其从批处理(离线)扩展到连续操作(在线),以推进解决方案的提供,以满足在更高频率的时间范围内操作的activetraders和其他专业人员的需求。第一阶段阐述的网络是一种“经典的”前馈-反向传播方法,采用梯度下降程序作为单个网络评估(并最小化)误差导数。通过将问题域划分为每个规范时间步之间的一系列内部状态,进一步改进了误差梯度的计算(类似于数值分析中的线性离散化)。时间反向传播方法的使用(McClelland,2013)近似并细化了内部状态每个时间步的激活和误差计算,类似于将单个网络展开为多个子系统或网络的计算,如图3所示。图3:时域离散为时间步长(dt)的计算网格。(经McClelland,J.L.(2013)图8.2的许可转载)。并行分布式处理的探索:模型、程序和练习手册,http://www.stanford.edu/group/pdplab/pdphandbook/.詹姆斯·L·麦克莱兰版权所有。在Pearlmutter 1988和1989,Williamsand Zipser,1989)的工作之后,通过用一组耦合微分方程替换离散的内部状态,进一步阐述了这一点(BPTT),以允许新网络以连续的时间能力发展。
二维码

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

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群