Combining Machine Learning Classifiers for Stock Trading with Effective Feature Extraction

要約

株式市場の予測不可能性と変動性により、一般化されたスキームを使用して多額の利益を上げることが困難になります。
これまでの多くの研究では、ライブ取引を実行することで米国株式市場で大きな利益を得ることができる機械学習モデルを構築するために、さまざまな手法が試みられてきました。
しかし、特定の取引期間に最適な機能を見つけることの重要性に焦点を当てた研究はほとんどありません。
私たちの最上位のアプローチでは、パフォーマンスを使用して特徴を合計 148 から約 30 に絞り込みました。さらに、機械学習モデルをトレーニングするたびに、上位 25 の特徴が動的に選択されました。
これは、ガウス単純ベイズ、デシジョン ツリー、L1 正則化によるロジスティック回帰、確率的勾配降下法という 4 つの分類器を使用したアンサンブル学習を使用して、特定の株をロングするかショートするかを決定します。
私たちの最良のモデルは、2011 年 7 月から 2019 年 1 月まで毎日取引を実行し、54.35% の利益を生み出しました。
最後に、私たちの研究は、重み付けされた分類器を組み合わせた方が、株式市場で取引の意思決定を行う個別の予測変数よりも優れたパフォーマンスを発揮することを示しました。

要約(オリジナル)

The unpredictability and volatility of the stock market render it challenging to make a substantial profit using any generalised scheme. Many previous studies tried different techniques to build a machine learning model, which can make a significant profit in the US stock market by performing live trading. However, very few studies have focused on the importance of finding the best features for a particular trading period. Our top approach used the performance to narrow down the features from a total of 148 to about 30. Furthermore, the top 25 features were dynamically selected before each time training our machine learning model. It uses ensemble learning with four classifiers: Gaussian Naive Bayes, Decision Tree, Logistic Regression with L1 regularization, and Stochastic Gradient Descent, to decide whether to go long or short on a particular stock. Our best model performed daily trade between July 2011 and January 2019, generating 54.35% profit. Finally, our work showcased that mixtures of weighted classifiers perform better than any individual predictor of making trading decisions in the stock market.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google