基于NEAT算法与多重技术指标共振的股票交易策略
NEAT Algorithm-based Stock Trading Strategy with Multiple Technical Indicators Resonance
AI总结：
本研究将NEAT算法结合多重技术指标应用于股票交易，采用渐进式训练数据与多目标适应度函数引导种群进化，实现了与Buy & Hold策略相近但风险更低、稳定性更高的收益，并指出了模型架构中存在未用节点等挑战及未来改进方向。
摘要：
在本研究中，我们将NEAT（NeuroEvolution of Augmenting Topologies，增强拓扑神经进化）算法应用于使用多重技术指标的股票交易。我们的方法侧重于最大化收益、规避风险以及超越Buy & Hold（买入并持有）策略。我们使用了渐进式训练数据和多目标适应度函数，以引导种群向这些目标进化。研究结果表明，NEAT模型实现了与Buy & Hold策略相似的回报，但风险敞口更低且稳定性更高。我们还发现了训练过程中的一些挑战，包括模型架构中存在大量未使用的节点和连接。在未来的工作中，探索改进NEAT算法的方法并将其应用于更短间隔的数据，以评估对性能的潜在影响，将是值得的。
英文摘要：
In this study, we applied the NEAT (NeuroEvolution of Augmenting Topologies) algorithm to stock trading using multiple technical indicators. Our approach focused on maximizing earning, avoiding risk, and outperforming the Buy & Hold strategy. We used progressive training data and a multi-objective fitness function to guide the evolution of the population towards these objectives. The results of our study showed that the NEAT model achieved similar returns to the Buy & Hold strategy, but with lower risk exposure and greater stability. We also identified some challenges in the training process, including the presence of a large number of unused nodes and connections in the model architecture. In future work, it may be worthwhile to explore ways to improve the NEAT algorithm and apply it to shorter interval data in order to assess the potential impact on performance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
