股票收益预测的超参数优化
摘要：超参数优化（HPO）已成为机器学习领域中越来越重要的问题，用于开发更准确的预测模型。在本研究中，我们探索了使用深度神经网络（DNN）对股票收益进行建模的HPO潜力。通过使用技术指标和基本面来评估此方法的潜力，基于对所有输入数据的dropout和批归一化的正则化效果进行检查。我们发现，使用技术指标和dropout正则化的模型明显优于其他三个模型，在样本内表现出0.53％的正向可预测性，在样本外表现出1.11％的正向可预测性，从而表明超过了历史平均水平的可能性。我们还证明了该模型在特征重要性随时间变化方面的稳定性。
作者：Sang Il Lee
论文ID：2001.10278
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2020-01-29