Los autores aplican un modelo de aprendizaje profundo a gran escala ( red neuronal recurrente con unidades de memoria a corto plazo ) a los datos de valores financieros de alta frecuencia para prever la próxima dirección del precio (al alza o a la baja) .
Resultados:
-
No sólo descubren que la precisión de la predicción para el modelo de aprendizaje profundo sustancialmente aumenta hasta un 10%. contrario a los modelos basados en VAR de alta frecuencia, pero también observan cómo un modelo de aprendizaje profundo "universal" entrenado en un conjunto de datos de 500 valores es capaz de captar las relaciones entre el flujo de órdenes y las variaciones de precios que son comunes a todos los valores del conjunto de datos.
-
El modelo de aprendizaje profundo universal es capaz de superar a su homólogo específico de acciones y, lo que es más importante, es capaz de generalizar a las poblaciones no incluidas en el conjunto de entrenamiento: si el modelo fue entrenado con datos para {1,…,N} de las acciones, entonces puede mantener la precisión de la previsión fuera de la muestra para las acciones N+1 . En conclusión, el modelo podría predecir de forma viable la dirección de los precios en los valores sin liquidez, donde los modelos econométricos podrían fallar debido a la falta de datos.
Los autores resumen claramente las principales conclusiones de su modelo de aprendizaje profundo:
-
No linealidad: Modelos basados en datos y entrenados con El aprendizaje profundo supera sustancialmente a los modelos lineales en términos de precisión de las previsiones (sección 3.1).
-
Universalidad: El modelo descubre características universales que son comunes a todas las poblaciones (Sección 3.2). Estos rasgos se generalizan bien: también se observa que se mantienen para los valores que no forman parte de la se observa que se mantienen para los valores que no forman parte la muestra de entrenamiento.
-
Estacionariedad: El rendimiento del modelo en términos de la precisión de la previsión de precios es notablemente estable a lo largo del tiempo, incluso un año fuera de la muestra. Este evidencia la existencia de una relación estacionaria estacionaria entre el flujo de órdenes y los cambios de precios (sección 3.3), que es estable durante largos periodos de tiempo. periodos de tiempo.
-
Dependencia de la trayectoria y dependencia de largo alcance: Se ha demostrado que la inclusión del historial de precios y flujos de pedidos aumenta sustancialmente la precisión de las previsiones. Esto demuestra que la dinámica de los precios no sólo depende del estado actual o reciente de la cartera de pedidos a precio limitado, sino de su historial, posiblemente a lo largo de grandes escalas de tiempo (sección 3.4).
Cabe señalar que el documento sólo se centra en la precisión predictiva del modelo de aprendizaje profundo y no determinan si esta predictibilidad conduce a estrategias comerciales rentables. La aplicación de los costes de transacción y la contabilización de la latencia en los datos de alta frecuencia estarían fuera del alcance del documento.
Información adicional: Hay un Pregunta de Quant Stack Exchange preguntando por los modelos de aprendizaje automático adecuados para la previsión de series temporales financieras. En este caso, el respuesta más votada tiene una buena lista de artículos recientes, incluido el artículo proporcionado en la respuesta de @MiLuk.
