本文介绍了在Kaggle的高频股价预测比赛中，通过分析问题、数据预处理、模型探索（如RNN/LSTM、CNN、全连接神经网络和XGBoost）以及参数调整，来提升预测准确性的过程。作者强调了特征工程在模型构建中的重要性，并分享了最佳实践，包括数据归一化、噪声处理以及模型融合的未来方向。
高频股价预测
文章目录
问题描述
Kaggle 比赛: CS410/EI339 Fall18’ Stock Price Prediction
- 通过对交易委托账本（订单簿）中数据的学习，给定特定一只股票10个时间点股票的订单簿信息，预测下20个时间点中间价的均值。
- 评价标准为均方根误差。
RMSE ( θ ^ ) = MSE ( θ ^ ) = E ( ( θ ^ − θ ) 2 ) \operatorname{RMSE}(\hat{\theta}) = \sqrt{\operatorname{MSE}(\hat{\theta})} = \sqrt{\operatorname{E}((\hat{\theta}-\theta)^2)} RMSE(θ^)=MSE(θ^)=E((θ^−θ)2) - 交易时间为工作日9:30-11:30,13:00-15:00，快照频率3秒。
- 股价的形成分为集合竞价和连续竞价
– 集合竞价：9:15-9:25，开盘集合竞价，确定开盘价
– 连续竞价：9:30之后，根据买卖双方的委托形成的价格 - 竞价原则：价格优先，时间优先。
- 交易委托账本具体信息：
– Date - 日期
– Time - 时间
– MidPrice - 中间价（买入价与卖出价的平均值）
– LastPirce - 最新成交价
– Volume - 当日累计成交数量
– BidPrice1 - 申买最高价
– BidVolume1 - 申买最高价对应的量
– AskPrice1 - 申卖最高价
– AskVolume1 - 申卖最高价对应的量
问题分析
高频交易，是指从那些人们无法利用的、极为短暂的市场变化中寻求获利的自动化程序交易，比如某种证券买入价和卖出价差价的微小变化，或者某只股票在不同交易所之间的微小价差。这种交易的速度如此之快，以至于有些交易机构将自己的“服务器群组”安置到了离交易所的服务器很近的地方，以缩短交易指令通过光缆以光速传送的时间。一般是以电脑买卖盘程式进行
最低0.47元/天 解锁文章
扫一扫
3528
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
