[论文解读] Long Short-Term Memory Neural Network for Financial Time Series

Carmina Fjellström|arXiv (Cornell University)|Jan 20, 2022

Stock Market Forecasting Methods被引用 6

一句话总结

本文提出一种基于并行长短期记忆网络（LSTM）的集成模型，用于使用斯德哥尔摩OMX30指数的日收益率对股票价格走势进行二分类预测。通过基于共识阈值的预测聚合，该模型在平均每日收益率、累积表现和波动率方面均优于全指基金组合与随机组合，从而实现了更优的风险调整后收益。

ABSTRACT

Performance forecasting is an age-old problem in economics and finance. Recently, developments in machine learning and neural networks have given rise to non-linear time series models that provide modern and promising alternatives to traditional methods of analysis. In this paper, we present an ensemble of independent and parallel long short-term memory (LSTM) neural networks for the prediction of stock price movement. LSTMs have been shown to be especially suited for time series data due to their ability to incorporate past information, while neural network ensembles have been found to reduce variability in results and improve generalization. A binary classification problem based on the median of returns is used, and the ensemble's forecast depends on a threshold value, which is the minimum number of LSTMs required to agree upon the result. The model is applied to the constituents of the smaller, less efficient Stockholm OMX30 instead of other major market indices such as the DJIA and S&P500 commonly found in literature. With a straightforward trading strategy, comparisons with a randomly chosen portfolio and a portfolio containing all the stocks in the index show that the portfolio resulting from the LSTM ensemble provides better average daily returns and higher cumulative returns over time. Moreover, the LSTM portfolio also exhibits less volatility, leading to higher risk-return ratios.

研究动机与目标

• 开发一种机器学习方法，用于预测如OMX30这类效率较低、规模较小的市场中的股票价格走势。
• 评估独立LSTM集成模型相较于传统基金组合与随机选择策略的性能表现。
• 评估基于LSTM的模型是否能在非宏观市场指数中实现更优的风险调整后收益。
• 探讨模型集成与基于阈值的共识机制对预测稳定性与泛化能力的影响。

提出的方法

• 对OMX30成分股的个股收益率序列独立并行训练多个LSTM模型。
• 将任务建模为二分类问题：预测某只股票次日收益率是否超过所有股票收益率中位数。
• 最终集成预测结果由一个阈值决定：必须有最少数量的LSTM模型对同一类别（上涨或下跌）达成一致。
• 采用简单交易策略，根据集成模型的共识预测分配资本，当超过一半的LSTM预测上涨时建立多头头寸。
• 使用标准风险调整指标（包括年化波动率、夏普比率与索丁诺比率）评估性能，无风险利率基于瑞典1个月国库券计算。
• 在完整样本期内，将结果与持有全部OMX30股票的基准组合及随机选择的组合进行对比。

实验结果

研究问题

• RQ1 在如OMX30这类规模较小、效率较低的指数中，LSTM集成模型能否在风险调整后收益方面超越全市场组合？
• RQ2 与单模型方法相比，平行LSTM之间的共识投票是否能提升预测稳定性并降低方差？
• RQ3 在累积收益与波动率方面，LSTM集成模型相较于随机组合表现如何？
• RQ4 模型性能在多大程度上依赖于集成预测中的一致性阈值？

主要发现

• 在完整期间内，基于LSTM的组合实现了高于全股票组合与随机组合的平均每日收益率。
• LSTM组合在样本期内所有年份均实现了更高的累积收益，并表现出更低的年化波动率，包括2007–2008年与2018年等市场剧烈波动时期。
• 在13年中有11年，LSTM组合的夏普比率高于全股票组合，仅2013年与2014年全股票组合略胜一筹。
• 在13年中有10年，LSTM组合的索丁诺比率持续高于全股票组合，表明其对下行风险的控制更优。
• 在波动性较高的时期，模型表现稳健：2008年，LSTM组合的波动率（35.10%）低于全股票组合（41.84%），且夏普比率更低负（-0.70 vs. -1.11）。
• 结果表明，集成方法可降低模型方差并增强泛化能力，尤其在OMX30等效率较低的市场中表现显著。