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

要約

高頻度取引では、正確な株価予測のために情報の遅れのない高速データ処理が必要です。
このハイペースな株価予測は通常、高頻度取引に特有の時間の不規則性のため、連続した時間に依存しないシグナルとして扱う必要があるベクトルに基づいています。
これらの時間の不規則性を考慮した十分に文書化され、テストされた方法は、長期短期記憶ニューラル ネットワークと呼ばれるリカレント ニューラル ネットワークの一種です。
このタイプのニューラル ネットワークは、セル内の順序が最適かどうかを知らずに、ゲートと状態を介して逐次的で古い計算を実行するセルに基づいて形成されます。
この論文では、最終出力として最適なゲートまたは状態を選択する、修正されリアルタイムに調整された長期短期メモリ セルを提案します。
私たちのセルは浅いトポロジで実行されており、ルックバック期間は最小限で、オンラインでトレーニングされています。
この修正されたセルは、流動性の高い米国株 2 社と流動性の低い北欧株 2 社でテストされているため、指値注文帳の仲値予測などのオンライン高頻度取引予測タスクにおいて、他のリカレント ニューラル ネットワークと比較して予測誤差が低くなります。

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, Google