基于时间卷积网络的超高频金融数据价格变动预测
摘要：构建更合理的离散动态分布模型：基于深度分析超高频（UHF）股价变动数据。首先将价格变动分为几个类别。然后利用时间卷积网络（TCN）预测每个类别的条件概率。此外，还将注意机制添加到TCN架构中，以建模股价变动数据的时变分布。对中国深圳证券交易所100指数（SZSE 100）的成分股进行实证研究发现，与GARCH家族模型和长短期记忆（LSTM）架构模型相比，TCN框架模型和TCN（注意力）框架模型在描述超高频股价变动序列的动态过程方面具有更好的综合性能。此外，数据集规模达到近1000万条，在我们的知识范围内，以前没有人尝试将TCN应用于如此大规模的中国股市超高频交易价格数据集。
作者：Wei Dai, Yuan An, Wen Long
论文ID：2107.00261
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2021-07-02