增强股票分类的转移表示
摘要：股票分类是一个具有挑战性的任务，由于股票回报的高噪声和波动性。在本文中，我们展示了使用迁移学习可以帮助这项任务，通过预先训练一个模型来提取S&P500指数中全部股票的通用特征，然后将其转移到另一个模型中直接学习交易规则。转移模型的风险调整回报率比从零开始训练的对应模型高出一倍以上。此外，我们提出了在特征空间上使用数据增强的方法，该特征空间定义为预训练模型的输出（即增强聚合的时间序列表示）。我们将这种增强方法与标准方法进行比较，即在输入空间中增强时间序列。我们展示了在特征空间上的增强方法相对于无增强的迁移学习模型，风险调整回报率增加了20%。
作者：Elizabeth Fons, Paula Dawson, Xiao-jun Zeng, John Keane, Alexandros Iosifidis
论文ID：2011.04545
分类：Statistical Finance
分类简称：q-fin.ST
提交时间：2020-11-10