文章摘自AAAI21,译者:一元
量化交易和投资决策是复杂的金融任务,依赖于准确的股票选择。
目前深度学习学习的策略使用于股票的问题的方案面临两个重大局限。
- 他们不直接优化利润方面的投资目标;
- 将每只股票视为独立于其他股票,忽略了相关股票之间的丰富信号股票价格变动。
本文基于该局限性,将股票预测重新表述为一个学习排序问题,并提出了STHAN-SR,一种用于股票选择的神经超图结构,从而定制一种新的时空注意超图网络结构,
- 通过联合建模股票相互依赖性及其价格的时间演变,根据利润对股票进行排序。
在三个市场上进行为期六年的实验,我们发现STHAN-SR显著优于最先进的神经股票预测方法。我们通过对STHAN-SR的空间和时间组件进行烧蚀和探索性分析来验证我们的设计选择,并证明其实用性。
目前深度学习用于股票投资的策略,存在两大问题:
1. 问题1
并不是直接对投资收益进行优化;
- 之所以出现这种差距,是因为股票预测通常是作为一项分类任务来预测股票走势(价格上涨、下跌或无重大变化)或作为一项回归任务来预测股票价格,而不是选择预期利润最大的股票 。
- 但是高的预测性能并不总是导致股票的最有利可图的选择。此类分类和回归优化的目的是为了提高价格变动的准确性或最小化预测股票收益的误差,而不一定是为了直接获得利润。
- 这一差距暗示了优化预测性能和优化股票选择以实现利润最大化之间的差距,并引导我们思考股票选择的新。