我正在使用 LSTM 网络来分析股票回报模式。一个问题是，股票收益通常会出现巨大的跳跃，但如果你只使用交易数据，跳跃似乎是随机的。（例如，美国证券交易委员会（SEC）裁决反对或支持公司的跳跃。）
因此，如果神经网络从跳跃中学到太多，结果就不能很好地概括。一个人可能会限制回报或使用自动编码器。还有哪些其他方法可以规范此类跳转并限制跳转对网络造成的变化？
在股票回报中使用神经网络
数据挖掘
机器学习
神经网络
2022-02-25 00:41:46
1个回答
在试图表征跳跃的标准模型中，例如 Mertons 的 Jump Diffusion 模型（简短介绍），该模型由两个主要部分组成：
- 布朗运动；一个随机游走来解释随机路径，可能有一些漂移- 当值以一致的方式向上或向下移动时。和
- 一个加法Possion 过程，它以一定的概率在一个时间步中添加一个跳跃，具有给定的概率。
借鉴这种方法，您还可以考虑使用两个独立（或单独）工作的模型来模拟整体市场和趋势，以及一个在特定时间步长和 itnerval 引入跳跃的模型。
您可以尝试为第二个模型使用不同的输入数据，例如从文本中获取的信号，例如讨论当前市场动态/政治的新闻提要或报纸、SEC 可能做出的决定等。第一个（稳定的）部分可以由您当前的神经网络建模。
这只是一个高层次的想法，实际上我还没有看到任何已经尝试过的研究，所以很遗憾无法提供任何文献链接。