[论文解读] Time Series Prediction : Predicting Stock Price

Aaron Elliot, Cheng Hua Hsu|arXiv (Cornell University)|Oct 16, 2017

Stock Market Forecasting Methods参考文献 1被引用 5

一句话总结

本文评估了四种模型——鞅模型、线性模型、广义线性模型（GLM）和基于LSTM的RNN——在预测标普500股票价格方面的表现。尽管RNN能够捕捉时间依赖性，但在预测精度上仍未能超越简单的鞅基线模型，凸显了时间序列预测中持续存在的挑战。该研究进一步引入了在线转批量算法和基于期权的交易策略，以实现预测结果的实用化、低风险部署。

ABSTRACT

Time series forecasting is widely used in a multitude of domains. In this paper, we present four models to predict the stock price using the SPX index as input time series data. The martingale and ordinary linear models require the strongest assumption in stationarity which we use as baseline models. The generalized linear model requires lesser assumptions but is unable to outperform the martingale. In empirical testing, the RNN model performs the best comparing to other two models, because it will update the input through LSTM instantaneously, but also does not beat the martingale. In addition, we introduce an online to batch algorithm and discrepancy measure to inform readers the newest research in time series predicting method, which doesn't require any stationarity or non mixing assumptions in time series data. Finally, to apply these forecasting to practice, we introduce basic trading strategies that can create Win win and Zero sum situations.

研究动机与目标

• 评估四种时间序列模型——鞅模型、线性模型、GLM和RNN——在标普500股票价格数据上的预测性能。
• 评估在现实假设下，GLM和RNN等高级模型是否能超越简单的基线模型。
• 探索可利用预测模型实现双赢或零和结果的实际交易策略。
• 引入在线转批量算法和差异度量，作为无需平稳性假设的预测工具。

提出的方法

• 使用标普500指数作为模型训练和评估的输入时间序列数据。
• 采用鞅模型作为基线，假设当前价格是最优预测值。
• 应用具有对数链接函数的广义线性模型（GLM），以建模对数正态分布的收益。
• 实现长短期记忆（LSTM）循环神经网络，以捕捉序列数据中的长期依赖关系。
• 引入在线转批量（OTB）算法，将在线学习模型转换为具有理论保证的批量学习。
• 设计包括基于期权对冲、套利、均值回归和高频交易在内的交易策略，以在实践中应用预测结果。

实验结果

研究问题

• RQ1 深度学习模型如LSTM-RNN是否能在预测股票价格方面超越更简单的模型（如鞅模型）？
• RQ2 具有对数链接函数的GLM是否在标普500数据上相较于线性和鞅基线模型提升预测精度？
• RQ3 平稳性和混合性假设在多大程度上限制了传统时间序列模型在股票价格预测中的表现？
• RQ4 在线转批量算法是否能在无需平稳性或混合性假设的前提下实现稳健预测？
• RQ5 如何将预测模型实际应用于基于期权和算法交易策略，以实现持续收益？

主要发现

• RNN模型在平均绝对误差（MAE）和均方根误差（RMSE）方面表现最佳，但仍未能超越鞅基线模型。
• 鞅模型（假设当前价格为最优预测）作为强基准，表明股票收益的可预测性有限。
• 尽管GLM模型相较于线性模型假设更少，但其表现仍未超越鞅模型，表明预测能力提升有限。
• 所提出的在线转批量算法可在不依赖平稳性或混合性假设的前提下实现预测，为非平稳时间序列提供了稳健替代方案。
• 基于期权对冲、套利和均值回归等交易策略可将预测模型转化为实用的低风险应用，实现双赢或零和结果。
• 即使预测精度不理想，通过将模型与期权及算法策略结合，仍可实现盈利且风险可控的交易。