改进的基于ACD的金融交易持续时间预测：利用LSTM网络和注意力机制
摘要：证券市场的流动性风险因子在交易策略的制定中起着重要作用。流动性更高的股票市场意味着证券更容易买卖。作为市场流动性的良好指标，交易持续时间是本研究的重点。我们专注于估计概率密度函数p(Δt_(i+1) |G_i)，其中Δt_(i+1)表示第(i+1)次交易的持续时间，G_i表示第(i+1)次交易发生时的历史信息。本文提出了一种新的利用长短期记忆(LSTM)网络扩展经典自回归条件持续时间(ACD)模型的条件均值方程的超高频(UHF)持续时间建模框架，并保持概率推断能力。然后利用注意机制揭示构建模型的内部机制。为了最小化手动参数调整的影响，在训练过程中采用固定的超参数。应用于大规模数据集的实验证明了所提出的混合模型的优越性。在输入序列中，通过添加的注意机制层，可以高效地突出显示对于预测下一个持续时间更为重要的时间位置。
作者：Yong Shi, Wei Dai, Wen Long, Bo Li
论文ID：2101.02736
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2021-01-11