兩篇機器學習應用於市場預測之論文

今天找到兩篇機器學習應用在市場預測的研究論文, 值得參考 :

1. Application of Deep Learning to Algorithmic Trading
2. Application of Machine Learning: Automated Trading Informed by Event Driven Data

第一篇出自史丹佛大學, 研究者實作了 LSTM 神經網路 (時間序列版的深度學習) 來預測英特爾 (NASDAQ: INTC) 公司的股價, 結果發現 LSTM 模型能更準確預測次日股價, 特別是在盤整的時候.

第二篇是麻省理工學院電機系的一篇碩士論文, 研究者以近十年的 S&P500 指數為對象, 比較了神經網路 (NN), 隨機森林 (Random Forest), 以及支持向量機 (SVM) 三種模型, 發現 SVM 模型有最高的夏普比 (Sharpe Ratio), 即每承受 1% 的波動風險, 可創造 3.5% 的報酬率.

這兩篇深度夠, 但廣度不夠, 因為研究結果只來自於個別標的的訓練結果, 如果能對其他標的重複相同研究, 相信能獲得較一般化的結論.