Generalized Distribution Prediction for Asset Returns

要約

長い短期メモリ（LSTM）ネットワークを備えた分位ベースの方法を使用して、資産リターンの分布を予測するための新しいアプローチを提示します。
私たちのモデルは2つの段階で設計されています。1つ目は、資産固有の機能を使用して正規化された資産リターンの分位を予測することに焦点を当てています。第2段階には、より広い経済状況のこれらの予測を調整するために市場データが組み込まれています。
これにより、商品、暗号通貨、合成データセットなど、さまざまな資産クラスに適用できる一般化モデルが生まれます。
予測された分位数は、カーネル密度推定を通じて完全な確率分布に変換され、より正確な収益分布予測と推論が可能になります。
LSTMモデルは、線形位置回帰ベースラインを98％、高密度ニューラルネットワークモデルを50％以上上回り、合成データと現実世界の両方のデータにわたって金融収益分布に複雑なパターンをキャプチャする能力を示しています。
アセットクラスの中立機能のみを使用することにより、モデルは堅牢で一般化可能な結果を​​実現します。

要約(オリジナル)

We present a novel approach for predicting the distribution of asset returns using a quantile-based method with Long Short-Term Memory (LSTM) networks. Our model is designed in two stages: the first focuses on predicting the quantiles of normalized asset returns using asset-specific features, while the second stage incorporates market data to adjust these predictions for broader economic conditions. This results in a generalized model that can be applied across various asset classes, including commodities, cryptocurrencies, as well as synthetic datasets. The predicted quantiles are then converted into full probability distributions through kernel density estimation, allowing for more precise return distribution predictions and inferencing. The LSTM model significantly outperforms a linear quantile regression baseline by 98% and a dense neural network model by over 50%, showcasing its ability to capture complex patterns in financial return distributions across both synthetic and real-world data. By using exclusively asset-class-neutral features, our model achieves robust, generalizable results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google