Using Intermarket Data to Evaluate the Efficient Market Hypothesis with Machine Learning
有效市场假说(EMH)的半强形式意味着技术分析不会通过市场间数据分析揭示任何隐藏的统计趋势。如果对市场间数据的技术分析揭示了可以被杠杆化以显著跑赢股票市场的趋势,那么半强有效市场假说就不成立。在这项工作中,我们利用各种机器学习技术,实证评估有效市场假说使用股票市场,外币(外汇),国际政府债券,指数期货,商品期货资产。我们在每个数据集上训练五个机器学习模型,并分析这些模型的平均性能,以预测SPDR S&P 500 Trust ETF(SPY)所近似的未来S&P 500走势。根据我们的分析,包含债券、指数期货和/或商品期货数据的数据集的表现明显优于基线。此外,我们发现,市场间数据的使用在95%置信水平下对各种模型的准确性、宏观F1评分、加权F1评分和受试者操作特征曲线下面积产生统计学显著的积极影响。这为反驳半强有效市场假说提供了强有力的经验证据。
2022-12-21 q-fin.ST
Identifying Trades Using Technical Analysis and ML/DL Models
VJTI College(VJTI学院)
本研究探讨了股市价格预测对投资与风险管理的重要性,指出因股市复杂性带来的挑战,并强调深度学习等先进技术在分析海量数据以预测股价方面的应用潜力及未来研究空间。
2023-04-12 cs.LG q-fin.ST
Sutte Indicator: an approach to predict the direction of stock market movements
本研究的目的是将Sutte指标的技术分析应用于股票交易中,这将有助于投资决策过程,即购买或出售股票。本研究采用2006年11月29日至2016年9月20日期间印度尼西亚证券交易所(IDX或BEI)“A”的数据。要查看Sutte指标的表现,可以使用其他技术分析作为比较,简单移动平均线(SMA)和移动平均线收敛/发散(MACD)。为了比较可靠性预测水平,使用平均绝对偏差(MAD)、均方误差(MSE)和平均绝对百分比误差(MAPE)比较了库存数据。本研究的结果是,Sutte指标可以作为预测股票走势的参考,如果通过MAD,MSE和MAPE与其他指标方法(SMA和MACD)进行比较,Sutte指标具有更好的可靠性。
2019-01-13 q-fin.ST
Financial Markets Prediction with Deep Learning
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);GRC Capital LLC(GRC资本有限责任公司)
金融市场由于其复杂的系统动力学而难以预测。虽然最近有一些研究使用机器学习技术进行金融市场预测,但它们在财务回报方面的表现并不令人满意。提出了一种新的一维卷积神经网络(CNN)模型来预测金融市场的走势。定制的一维卷积层通过时间扫描金融交易数据,而不同类型的数据,如价格和成交量,彼此共享参数(内核)。我们的模型自动提取特征,而不是使用传统的技术指标,从而可以避免因技术指标的选择和技术指标中预定义的系数而产生的偏差。我们通过对2010年1月至2017年10月六种期货的历史交易数据进行严格的回测来评估我们的预测模型的性能。实验结果表明,与传统的技术指标相比,我们的CNN模型可以有效地提取更广泛和更有信息量的特征,并且与以前的机器学习方法相比,可以实现更强大和更有利可图的财务绩效。
2021-04-05 cs.LG q-fin.CP q-fin.ST
Emergence of stylized facts during the opening of stock markets
金融市场表现出一些非平稳性,从技术和监管市场条件不断变化的波动到季节性。另一方面,金融市场表现出各种程式化的事实,这些事实非常稳定。因此,找出这些程式化的事实是如何出现的是一个有趣的问题。作为第一个例子,我们在这里研究如何买卖价差之间的最佳销售和最佳购买提供的股票在交易日的发展。对于重新调整和适当平滑的数据,我们观察到许多不同的纳斯达克股票的崩溃曲线,在整个交易日内,价差呈缓慢的幂律下降。这种影响在一个高度波动的开放期后强烈出现。一些所谓的大型股票由于技术边界而表现不同。他们的价差在市场开盘后不久就接近一个基点。我们用我们的研究结果来确定市场开放的持续时间,我们发现不同的股票在很大程度上。
2018-12-18 q-fin.ST q-fin.TR
Clustering and attention model based for intelligent trading
The University of Sydney(悉尼大学)
外汇市场在全球金融市场中占有重要地位。外汇交易在给投资者带来高收益机会的同时,也带来了一定的风险。自20世纪外汇市场建立以来,外汇汇率预测就成为各国学者研究的热点问题。由于影响外汇市场因素的复杂性和数量,技术分析无法应对行政干预或突发事件。我们的团队选择了2005年至2021年的几对外币历史数据和衍生技术指标作为数据集,并建立了不同的机器学习模型,用于超卖场景下的事件驱动价格预测。
2021-08-06 cs.LG q-fin.ST
Microeconomic co-evolution model for financial technical analysis signals
技术分析(TA)已经使用了很长一段时间之前,更复杂的金融预测工具的可用性,以建议决策的基础上出现的数据模式。许多金融市场定量分析的数学和统计工具都经历了快速和广泛的发展,并有能力克服经典的技术分析方法。本文的目的是通过探索在一个特定的基于$microeconomic$主体的市场模型中出现的概率,来度量TA中使用的某些信息的可靠性,即,共同进化的巴克-斯内彭模型最初是为了描述物种种群的进化而发明的。在证明了这种模型在描述金融指数所谓的雪崩中的实际利益之后,在泡沫破裂前的时间上升中,注意力集中在趋势线检测跨越有意义的障碍的发生上,这些障碍引起了一些通常的技术分析策略。2000年4月纳斯达克股市崩盘就是一个例子。
2006-05-20 physics.soc-ph q-fin.ST
Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators
未来比特币价格的不确定性使得很难准确预测比特币的价格。因此,准确预测比特币的价格对于加密货币市场的投资者和市场参与者的决策过程非常重要。使用2012年1月1日至2019年8月16日的历史数据,使用机器学习技术(通过惩罚最大似然的广义线性模型,随机森林,线性核的支持向量回归和堆叠集成)来预测比特币的价格。预测模型采用关键和高维技术指标作为预测因子。这些技术的性能进行了评估,使用平均绝对百分比误差(MAPE),均方根误差(RMSE),平均绝对误差(MAE),和决定系数(R平方)。性能指标显示,具有两个基本学习者(随机森林和通过惩罚最大似然的广义线性模型)的堆叠集成模型和具有线性核作为元学习者的支持向量回归是预测比特币价格的最佳模型。叠加集合模型的MAPE、RMSE、MAE和R平方值分别为0.0191%、15.5331 USD、124.5508 USD和0.9967。这些值显示了使用堆叠集合模型预测比特币价格的高度可靠性。准确预测比特币的未来价格将为加密货币市场的投资者和市场参与者带来可观的回报。
2019-09-03 econ.EM q-fin.ST stat.AP
Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies
University of Hyogo(兵库大学)
本文提出一种结合技术指标和情绪分析的加密货币投资策略,通过均值-方差优化提升风险调整收益,但需进一步改进稳定性。
2026-03-04 cs.CE q-fin.ST
Profitability of simple stationary technical trading rules with high-frequency data of Chinese Index Futures
长期以来,技术性交易规则被金融市场从业者广泛使用。盈利能力仍然存在争议,很少有人考虑交易规则中使用的技术指标的平稳性。本文利用2012年1月4日至2016年12月31日沪深300股指期货的3个高频数据(15s、30s和60s),将MA、KDJ和Bollinger带转换为平稳过程,考察了这些交易规则的盈利能力。采用多个性能和风险指标直接评估交易规则的实用价值,采用ADF检验检验交易规则的平稳性,采用SPA检验检验交易规则的性能是否是由于内在优势或纯粹运气的原因。结果表明,当不考虑交易成本时,各指标存在几种显著的参数组合。一旦将交易成本计算在内,交易利润将被完全消除。我们还提出了一种方法来降低技术交易规则的风险。
2017-10-20 q-fin.ST
GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method for RoboTrading
外汇是全球最大的金融市场,也是波动最大的市场之一。技术分析在外汇市场中起着重要作用,交易算法是利用机器学习技术设计的。大多数文献使用历史价格信息和技术指标进行培训。然而,市场的噪声性质影响了算法的一致性和盈利能力。为了解决这个问题,我们设计了交易规则功能,这些功能来自技术指标和交易规则。优化技术指标的参数以最大限度地提高交易性能。我们还提出了一个新的成本函数,计算风险调整收益率,夏普和英镑比率(SSR),在努力减少的方差和提取的幅度。利用遗传算法最大化夏普与斯特林比率模型(GA-MSSR)设计了一种自动机器人交易策略(RoboTrading)。该实验是在2018年至2019年6个主要货币对的日内数据上进行的。结果一致显示出显着的正回报和交易系统的性能是优越的使用优化的基于规则的功能。使用5分钟AUDUSD货币对获得的最高回报率为每年320%。此外,与基准模型相比,该模型在最大回撤和收益方差等风险因素方面表现最佳。该代码可以在https://github.com/zzzac/rule-based-forextrading-system上访问
2020-08-16 cs.CE cs.CV q-fin.ST
Market inefficiency identified by both single and multiple currency trends
许多研究表明,有很好的理由声称货币的可预测性非常低,然而,偏离真正的随机性存在,具有潜在的预测和预后能力[J.James,量化金融3(2003)C75-C77]。我们分析了技术分析的主要焦点--本地趋势。在这篇文章中,我们介绍了各种统计量检查的作用,单个时间离散化的趋势或多个趋势对应于不同的时间延迟。我们的具体分析的基础上,欧元-美元货币对数据在一分钟的频率表明,预测性能的趋势的累积非随机效应的重要性。
2011-10-12 physics.data-an q-fin.ST
Financial Market Trend Forecasting and Performance Analysis Using LSTM
金融市场趋势预测方法是当今金融市场研究的热点。目前仍然存在许多挑战,并且已经积极地进行了与之相关的各种研究。特别是近年来,基于神经网络的金融市场趋势预测的研究引起了人们的广泛关注。然而,以往的研究并未涉及在时间序列数据中表现良好的基于LSTM的金融市场预测方法。基于神经网络的预测技术和传统预测技术的性能也缺乏比较分析。本文提出了一种基于LSTM的金融市场趋势预测方法,并通过实验分析了其与现有金融市场趋势预测方法的性能。该方法通过数据预处理过程准备输入数据集,从而反映金融数据分析中使用的所有基本面数据、技术数据和定性数据,并通过LSTM进行全面的金融市场分析。本文对现有的金融市场趋势预测模型的性能进行了实验和比较,并根据金融市场的环境进行了性能分析。此外,我们使用开源和平台实现了所提出的方法,并使用各种金融数据指标预测金融市场趋势。
2020-03-31 cs.LG q-fin.ST
Stock price prediction using BERT and GAN
The LNM Institute of Information Technology(LNM信息技术研究所)
股票市场一直是一个热门话题的兴趣在最近的过去。通货膨胀率的上升迫使人们投资于股票和商品市场以及其他领域,而不是储蓄。此外,深度学习模型对时间序列数据进行预测的能力已经被一次又一次地证明。借助技术指标对股票市场进行技术分析已成为交易者和投资者最常见的做法。另一个方面是情绪分析-投资者的情绪,表明投资意愿。世界各地的人们已经使用了各种技术,包括基本的机器学习和神经网络。从基本的线性回归到先进的神经网络,人们已经尝试了所有可能的技术来预测股票市场。从最近的事件中可以明显看出新闻和头条新闻如何影响股票市场和加密货币。本文提出了一个集成的国家的最先进的方法来预测股票价格。首先,使用BERT的版本执行对在纳斯达克上市的苹果公司的新闻和标题的情感分析,该版本是由Google用于自然语言处理(NLP)的预训练的Transformer模型。然后,生成对抗网络(GAN)使用技术指标、各国股票指数、一些商品和历史价格以及情绪得分来预测苹果公司的股票价格。与基线模型进行比较,如长短期记忆(LSTM),门控递归单位(GRU),香草GAN和自回归综合移动平均(ARIMA)模型。
2021-07-18 cs.CL cs.LG q-fin.ST
Validating Weak-form Market Efficiency in United States Stock Markets with Trend Deterministic Price Data and Machine Learning
DePauw University(迪堡大学)
有效市场假说几十年来一直是经济学研究的主要内容。特别是,弱式市场有效性-即过去的价格不能预测未来的表现-得到了计量经济学证据的有力支持。相比之下,用于预测股票价格的机器学习算法在不同程度上被吹捧为成功的。此外,一些数据科学家吹嘘自己有能力仅使用价格数据就获得高于市场的回报。本研究试图将现有的弱式有效市场的计量经济学研究与算法交易中的数据科学创新联系起来。首先,在过去十年中,股票指数价格的平稳性进行了传统的探索与增广Dickey-Fuller和方差比测试。然后,使用五种机器学习算法实现了一个算法交易平台。计量经济学的研究结果确定了潜在的平稳性,暗示技术评估可能是可能的,尽管算法交易结果在任何机器学习模型中几乎没有预测能力,即使使用特定趋势的指标。考虑到交易成本和风险,没有一个系统能持续获得高于市场的回报。我们的研究结果加强了弱式市场有效性的有效性。
2019-09-11 cs.CE cs.LG econ.EM
DeepSupp: Attention-Driven Correlation Pattern Analysis for Dynamic Time Series Support and Resistance Levels Identification
Hong Kong University of Science and Technology(香港理工大学)
DeepSupp 提出一种基于多头注意力与动态相关矩阵的深度学习框架,结合注意力自编码器和 DBSCAN 聚类识别金融支撑位,在标普500数据上超越六种基线方法,实现了最先进的支撑位检测性能。
2025-06-22 cs.AI cs.CE cs.LG
Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling
School of Computer Science, University of Technology Sydney, Australia(澳大利亚悉尼科技大学计算机科学学院)
针对跨市场金融指标的高维依赖建模难题,提出WPVC-VLSTM,融合变分LSTM与正则藤copula,刻画非正态多变量间的动态依赖,在跨市场投资组合预测中优于多种基准模型。
2023-05-09 cs.AI cs.LG q-fin.ST