Optimum Output Long Short-Term Memory Cell for High-Frequency Trading Forecasting

要約

タイトル：
– 高頻度取引予測のための最適な出力長短期記憶セル

要約：
– 高頻度取引には、精密な株価予測のために情報遅延のない高速なデータ処理が必要です。
– この高速な株価予測は通常、高頻度取引に固有の時間の不規則性により、シーケンシャルで時系列に独立した信号として扱われる必要があるベクトルに基づいています。
– これらの時間不規則性を考慮した十分に文書化されたテストされた方法は、長短期記憶ニューラルネットワークと呼ばれる再帰ニューラルネットワークの一種です。
– 本論文では、ゲートとステートを介してシーケンシャルでステールな計算を実行するセルで構成されるこの種類のニューラルネットワークが、セル内での順序が最適であるかどうかを知ることなく運用されていることを説明しています。
– 本研究では、最終的な出力として最適なゲートまたはステートを選択する改訂版の長短期記憶セルを提案しています。
– このセルは、浅いトポロジで動作し、最小の先読み期間を持ち、オンラインでトレーニングされています。
– この改訂版セルは、2つの高流動性のある米国株式と2つの流動性が低い北欧株式でテストされ、リミットオーダーブック中央価格予測などのオンライン高頻度取引予測のタスクにおいて、他の再帰ニューラルネットワークに比べて予測エラーが低くなります。

要約(オリジナル)

High-frequency trading requires fast data processing without information lags for precise stock price forecasting. This high-paced stock price forecasting is usually based on vectors that need to be treated as sequential and time-independent signals due to the time irregularities that are inherent in high-frequency trading. A well-documented and tested method that considers these time-irregularities is a type of recurrent neural network, named long short-term memory neural network. This type of neural network is formed based on cells that perform sequential and stale calculations via gates and states without knowing whether their order, within the cell, is optimal. In this paper, we propose a revised and real-time adjusted long short-term memory cell that selects the best gate or state as its final output. Our cell is running under a shallow topology, has a minimal look-back period, and is trained online. This revised cell achieves lower forecasting error compared to other recurrent neural networks for online high-frequency trading forecasting tasks such as the limit order book mid-price prediction as it has been tested on two high-liquid US and two less-liquid Nordic stocks.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI