评估机器学习算法在金融市场预测中的性能：一项综合调查
摘要：金融市场竞争日益激烈，速度日益加快，健壮的预测方法对投资者来说越来越有价值。虽然机器学习算法为建模时间序列中的非线性提供了一种成熟的方法，但它们在金融市场预测领域相对于常见的随机模型的优势主要基于有限的实证结果。对于确定特定机器学习架构相对于其他架构的优势也是如此。本研究调查了150多篇关于应用机器学习进行金融市场预测的相关文章。基于全面的文献综述，我们建立了一个描述这些研究中进行的实验的七个主要参数的表格。通过列举和分类不同的算法，我们还引入了一种简单，标准化的文本表示机器学习算法的语法。基于包含在调查中的论文中收集的性能指标，我们进一步进行了排名分析，以评估不同算法类别的相对性能。我们的分析表明，机器学习算法往往优于大多数传统的随机方法在金融市场预测方面。我们还发现证据表明，平均而言，递归神经网络优于前馈神经网络以及支持向量机，这意味着金融时间序列中存在可利用的时间依赖性，涵盖了多个资产类别和地理区域。
作者：Lukas Ryll and Sebastian Seidens
论文ID：1906.07786
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2019-07-09