基于深度核高斯过程的金融市场预测
摘要：基于深度核的高斯过程是经典高斯过程回归模型的扩展，这种扩展模型通常通过使用诸如长短期记忆网络等深度学习技术来构建新的核函数。通过LSTM学习的核函数的高斯过程，简称为GP-LSTM，具有捕捉金融序列数据复杂依赖关系的优势，同时保留了概率推断的能力。然而，据我们所知，尚未将深度核高斯过程应用于预测金融市场的条件收益和波动性。本文将网格搜索算法与GP-LSTM相结合，用于执行超参数优化，以预测股票收益的条件均值和波动性，然后将二者结合在一起，计算组合的条件夏普比率。实验在深圳证券交易所成分指数的包含所有成分的数据集上进行。根据实证结果，我们发现GP-LSTM模型在股票收益和波动性的预测方面能够提供更准确的预测，这些预测通过构建的组合的表现进行综合评估。实验结果的进一步子期分析表明，GP-LSTM模型优于基准模型的优势源于在高波动期表现更好。
作者：Yong Shi, Wei Dai, Wen Long, Bo Li
论文ID：2105.12293
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2021-05-27