[论文解读] The string prediction models as application to financial forex market

Marian Repasan, Richard Pinčák|arXiv (Cornell University)|Sep 2, 2011

Stock Market Forecasting Methods被引用 1

一句话总结

本文提出基于字符串不变量的预测模型（PMBSI），利用弦理论中的概念（如关联函数和闭合弦模式偏差）来预测外汇（forex）市场价格。PMBCS变体优于支持向量机（SVM）和人工神经网络（ANN），实现显著的年利润，而PMBSI-关联模型的预测效率有限。

ABSTRACT

In this paper we apply a new approach of the string theory to the real financial market. It is direct extension and application of the work [1] into prediction of prices. The models are constructed with an idea of prediction models based on the string invariants (PMBSI). The performance of PMBSI is compared to support vector machines (SVM) and artificial neural networks (ANN) on an artificial and a financial time series. Brief overview of the results and analysis is given. The first model is based on the correlation function as invariant and the second one is an application based on the deviations from the closed string/pattern form (PMBCS). We found the difference between these two approaches. The first model cannot predict the behavior of the forex market with good efficiency in comparison with the second one which is, in addition, able to make relevant profit per year.

研究动机与目标

• 探索弦理论在金融时间序列预测中的应用。
• 开发并评估两种基于弦不变量的模型（PMBSI-关联与PMBCS），用于外汇价格预测。
• 比较PMBSI模型与SVM和ANN等传统方法的预测性能。
• 评估基于弦理论的模型在真实金融市场的盈利能力和实际可行性。

提出的方法

• 第一种模型使用关联函数作为弦不变量，以预测外汇价格走势。
• 第二种模型PMBCS通过识别与闭合弦/模式形式的偏差，检测市场异常和趋势。
• 两种模型均在人工生成和真实的外汇时间序列数据上进行训练与测试。
• 性能以支持向量机（SVM）和人工神经网络（ANN）为基准进行评估。
• 模型基于预测准确率和年利润生成能力进行评估。

实验结果

研究问题

• RQ1 弦理论不变量能否有效应用于预测外汇市场行为？
• RQ2 基于关联函数的PMBSI模型与基于闭合弦模式偏差的PMBSI模型在预测准确率上如何比较？
• RQ3 基于弦理论的模型是否优于SVM和ANN等传统机器学习模型在外汇预测中的表现？
• RQ4 PMBCS模型是否能在真实金融市场中持续产生年利润？

主要发现

• PMBCS模型成功实现了可观的年利润，表明其在实际市场中具有应用潜力。
• PMBSI-关联模型在预测外汇市场行为方面表现出较差的预测效率。
• PMBCS模型在预测性能上显著优于PMBSI-关联模型。
• PMBCS模型在测试的金融时间序列上表现优于SVM和ANN。
• 本研究识别出两种PMBSI方法之间的关键差异，PMBCS在金融预测中更为有效。
• 结果表明，基于模式偏差的弦不变量比基于关联的弦不变量更适用于金融预测。