原创不易,转载请标明出处及原作者。
写在前面的话:
价格走势预测旨在根据当前市场信息预测金融资产趋势,目前大多数现有的机器学习方法都与极低的信噪比和金融数据的随机性作斗争,经常将噪声误认为真实的交易信号,而没有仔细选择潜在的优质的样本。本文提出了一个新的价格运动预测框架LARA,它有两个主要组成部分:位置感知注意(LA-Attention)和迭代细化标记(RA-Labeling)。在三个现实世界金融市场:股票、加密货币和etf的一系列实验中,LARA在的表现明显优于几种基于机器学习的方法。
“Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling”
一、简介
价格运动预测在量化金融中是一个关键且具有挑战性的任务。传统的有效市场假说认为市场信息效率高,价格变动应该是不可预测的。然而,实践中完美的效率是不可能实现的,因为存在信息不对称和交易者之间的“噪音”行为。机器学习在寻求“击败市场”和获得超额回报方面变得越来越流行,并取得了令人期待的结果。
利用机器学习技术进行金融预测的两个主要步骤:挖掘与资产回报相关/预测的有效因素,并将这些因素作为特征输入到机器学习算法中生成交易信号。然而,金融时间序列数据的信噪比极低,容易出现过拟合的情况。因此,本文提出了一种更加有效和稳健的方法,即专注于具有潜在可预测性和盈利性的特定样本。
在高噪声数据下进行价格运动预测的两个技术挑战,本文针对这两个挑战提出了对应的解决方案。
挑战1:如何有效提取潜在有利可图的样本?
局部感知注意力(LA-Attention)包括度量学习模块和定位模块。度量学习模块用于构建更好的度量,定位模块则用于明确提取潜在有利样本。度量学习模块通过学习更兼容的距离度量来辅助定位模块。定位模块旨在通过局部整合标签信息来提取潜在有利样本。
挑战2:如何自适应地优化潜在盈利样本的标签?
有两种方法来提高金融市场预测模型的性能。第一种是LA-Attention方法,通过关注标签信息来提取潜在的有利样本,并构建更准确的分类器。第二种是RA-Labeling方法,通过多个预测器迭代地细化潜在有利样本的噪声标签,并将多个预测器结合起来提高模型的泛化能力。实验结果表明,LARA方法在三个真实金融市场上显著优于其他机器学习方法。
二、相关工作
价格走势预测。基于机器学习方法的价格走势预测有两个主要的研究方向。(1)专注于通过引入额外的财务数据源来改进预测。(2)开发