Predicción de tendencias bursátiles con aprendizaje automático: incorporación de información de correlación interbursátil a través de la matriz de Laplaciano
Autores: Zhang, Wenxuan; Lu, Benzhuo
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción de tendencias bursátiles con aprendizaje automático: incorporación de información de correlación interbursátil a través de la matriz de Laplaciano
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Tendencias de acciones
Correlación
Modelo de aprendizaje automático
Gráfico de correlación de Laplaciano
Red neuronal
Rendimiento predictivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 51
Citaciones: Sin citaciones
Predecir las tendencias bursátiles en los mercados financieros es de gran importancia para los inversores y gestores de carteras. Además de la información histórica de precios de las acciones, la correlación entre esa acción y otras también puede proporcionar información valiosa para predecir rendimientos futuros. Los métodos existentes a menudo no logran capturar de manera sencilla y efectiva las intrincadas interdependencias entre las acciones. En esta investigación, presentamos el concepto de un grafo de correlación laplaciano (LOG), diseñado para modelar explícitamente las correlaciones en los cambios de precios de las acciones como los bordes de un grafo. Después de construir el LOG, construiremos un modelo de aprendizaje automático, como una red de atención de grafo (GAT), e incorporaremos el LOG en el término de pérdida. Este innovador término de pérdida está diseñado para capacitar a la red neuronal para aprender y aprovechar las correlaciones de precios entre diferentes acciones de manera sencilla pero efectiva. La ventaja de una matriz laplaciana es que la forma de operación de matriz es más adecuada para los marcos actuales de aprendizaje automático, logrando así una alta eficiencia computacional y una representación de modelo más simple. Los resultados experimentales demuestran mejoras en múltiples métricas de evaluación utilizando nuestro LOG. La incorporación de nuestro LOG en cinco modelos de aprendizaje automático base mejora consistentemente su rendimiento predictivo. Además, los resultados de backtesting revelan rendimientos superiores y ratios de información, subrayando las implicaciones prácticas de nuestro enfoque para decisiones de inversión en el mundo real. Nuestro estudio aborda las limitaciones de los métodos existentes que no consideran la correlación entre las acciones o no modelan la correlación de manera simple y efectiva, y el LOG propuesto emerge como una herramienta prometedora para la predicción de rendimientos de acciones, ofreciendo una precisión predictiva mejorada y resultados de inversión mejorados.
Descripción
Predecir las tendencias bursátiles en los mercados financieros es de gran importancia para los inversores y gestores de carteras. Además de la información histórica de precios de las acciones, la correlación entre esa acción y otras también puede proporcionar información valiosa para predecir rendimientos futuros. Los métodos existentes a menudo no logran capturar de manera sencilla y efectiva las intrincadas interdependencias entre las acciones. En esta investigación, presentamos el concepto de un grafo de correlación laplaciano (LOG), diseñado para modelar explícitamente las correlaciones en los cambios de precios de las acciones como los bordes de un grafo. Después de construir el LOG, construiremos un modelo de aprendizaje automático, como una red de atención de grafo (GAT), e incorporaremos el LOG en el término de pérdida. Este innovador término de pérdida está diseñado para capacitar a la red neuronal para aprender y aprovechar las correlaciones de precios entre diferentes acciones de manera sencilla pero efectiva. La ventaja de una matriz laplaciana es que la forma de operación de matriz es más adecuada para los marcos actuales de aprendizaje automático, logrando así una alta eficiencia computacional y una representación de modelo más simple. Los resultados experimentales demuestran mejoras en múltiples métricas de evaluación utilizando nuestro LOG. La incorporación de nuestro LOG en cinco modelos de aprendizaje automático base mejora consistentemente su rendimiento predictivo. Además, los resultados de backtesting revelan rendimientos superiores y ratios de información, subrayando las implicaciones prácticas de nuestro enfoque para decisiones de inversión en el mundo real. Nuestro estudio aborda las limitaciones de los métodos existentes que no consideran la correlación entre las acciones o no modelan la correlación de manera simple y efectiva, y el LOG propuesto emerge como una herramienta prometedora para la predicción de rendimientos de acciones, ofreciendo una precisión predictiva mejorada y resultados de inversión mejorados.