（译）使用堆叠的RBM进行股价预测

          【论文链接】           Applying Deep Learning to Enhance Momentum Trading Strategies in Stocks

使用由堆叠的受限玻尔兹曼机器组成的自动编码器来从个体股票价格的历史中提取特征。 我们的模型能够发现股票动量效应的增强版本，而不需要对输入特征进行广泛的手工设计，并且在1990-2009测试期间的年回报率为45.93％，而基本动量为10.53％

价格动量是经验发现（Jegadeesh＆Titman，1993），相对于过去收益率较低的股票（输家）而言，过去3至12个月（赢家）高回报的股票在未来几个月继续表现良好。 随后的研究发现，这种动量效应在美国广为人知之后继续保持，并适用于国际股票以及其他资产类别，包括外汇，商品和债券（Asness等，2013）。 对于金融学者而言，购买赢家和卖出输家的简单策略显然可能会对市场迅速将可用信息纳入资产价格这一概念提出挑战。 事实上，Fama和French（2008）将势头描述为股票收益中的“首要异常”。

股票收益难以预测的原因：股价走势中的高度噪声。 此外，任何存在的模式都会随着投资者自己随着时间的推移而学习并竞争交易利润而发生变化。

特别地，我们使用由堆叠的受限玻尔兹曼机器（RBM）组成的自动编码器来从股票价格中提取特征，然后我们将其传递给前馈神经网络（FFNN）分类器。

结果表明the enhanced strategy buys stocks that have had poor recent returns and sells those with high recent returns, consistent with the short-term reversal effect。

文章的贡献在于表明了当输入被正确地预处理后，堆叠的自编码器可以从低信噪比的时间序列数据中提取有用的特征(stacked autoencoders constructed from RBMs can extract useful features even from low signal-to-noise time series data such as financial asset prices if the inputs are appropriately preprocessed. )尚未解决的问题是随着输入的增加，用于各种类别特征的自动编码器是否比在单个自动编码器中组合所有特征的性能更好(whether separate autoencoders for various categories of features would perform better than combining all features in a single autoencoder.)