[1]董 涵,陈佳丽,王浩然,等.基于神经网络预测模型的最佳交易策略探究[J].南京师范大学学报(工程技术版),2023,23(04):019-28.[doi:10.3969/j.issn.1672-1292.2023.04.003]
　Dong Han,Chen Jiali,Wang Haoran,et al.Research on the Optimal Trading Strategy Based on Neural Network Prediction Model[J].Journal of Nanjing Normal University(Engineering and Technology),2023,23(04):019-28.[doi:10.3969/j.issn.1672-1292.2023.04.003]
点击复制

基于神经网络预测模型的最佳交易策略探究
分享到：

南京师范大学学报（工程技术版）[ISSN:1006-6977/CN:61-1281/TN]

卷:
23卷
期数:
2023年04期
页码:
019-28
栏目:
计算机科学与技术
出版日期:
2023-12-15

文章信息/Info

Title:
Research on the Optimal Trading Strategy Based on Neural Network Prediction Model
文章编号:
1672-1292(2023)04-0019-10
作者:
董 涵1; 陈佳丽2; 王浩然3; 叶晓辉3
(1.厦门大学嘉庚学院信息科学与技术学院,福建 漳州 363105)
(2.福州理工学院经济管理学院,福建 福州 350506)
(3.福州理工学院计算与信息科学学院,福建 福州 350506)
Author(s):
Dong Han1; Chen Jiali2; Wang Haoran3; Ye Xiaohui3
(1.School of Information Science & Technology,Xiamen University Tan Kah Kee College,Zhangzhou 363105,China)
(2.School of Economics and Management,Fuzhou Institute of Technology,Fuzhou 350506,China)
(3.School of Computing and Information Science,Fuzhou Institute of Technology,Fuzhou 350506,China)
关键词:
期货交易; LSTM模型; 单类交易; 组合交易
Keywords:
futures trading; LSTM model; single class trading; portfolio trading
分类号:
F832.5; TP183
DOI:
10.3969/j.issn.1672-1292.2023.04.003
文献标志码:
A
摘要:
采用基于长短时记忆神经网络(LSTM)模型预测金融交易中投资产品的未来价格,由此预判涨跌情况,考虑交易(佣金)成本,分析做多、做空两种交易方式的最佳策略. 通过实验得出:当预测准确度接近50%或大于50%时,交易模型才能更大程度获利; 在测试集为25%时获得收益达到最大,且四品种收益率高低顺序为比特币、原油、美元指数、黄金. 改变相对佣金,对组合交易的偏向起到一定影响,收益呈梯度式变化. 模型按一日交易一次进行了简化,并不能用于单日高频交易的分析.
Abstract:
Based on the long short-term memory neural network(LSTM)model,the rise and fall in the future price of investment products in financial transactions are predicted,and the best strategies for long and short trading methods are analyzed considering the transaction cost. Through experiments,it is concluded that the trading model can make a greater profit when the prediction accuracy is close to 50% or greater than 50%,and the maximum profit can be obtained when the test set is 25%,and the order of return of the four varieties is Bitcoin,crude oil,US dollar index,and gold. Changing the relative commission has a certain impact on the bias of portfolio transactions,and the return changes in a gradient style. The model is simplified on a daily basis and cannot be used for single-day high-frequency trading analysis.

参考文献/References:

[1]CHEN K,ZHOU Y,DAI F Y. A LSTM-based method for stock returns prediction:a case study of China stock market[C]//Proceedings of the 2015 IEEE International Conference on Big Data. Santa Clara,USA:IEEE,2015:2823-2824.
[2]徐浩然,许波,徐可文. 机器学习在股票预测中的应用综述[J]. 计算机工程与应用,2020,56(12):19-24.
[3]武大硕,张传雷,陈佳,等. 基于遗传算法改进LSTM神经网络股指预测分析[J]. 计算机应用研究,2020(增刊1):86-87.
[4]吴玉霞,温欣. 基于ARIMA模型的短期股票价格预测[J]. 统计与决策,2016(23):83-86.
[5]方燕,耿雪洋,秦珊珊. 沪深两市传媒板块指数价格预测研究——基于ARIMA—GARCH模型的分析[J]. 价格理论与实践,2018(1):102-105.
[6]林杰,龚正. 期货程序化交易策略模型比较研究——以棕榈油期货交易为例[J]. 中南财经政法大学学报,2018(4):128-134.
[7]方蕤. 一种基于SETAR模型的期货交易策略设计[D]. 昆明:云南财经大学,2020.
[8]杨艳林. 黄金的资产属性:对冲资产还是避险资产[J]. 武汉金融,2012(5):42-45.
[9]贾丽平. 比特币的理论、实践与影响[J]. 国际金融研究,2013(12):14-25.
[10]龚旭,林伯强. 跳跃风险、结构突变与原油期货价格波动预测[J]. 中国管理科学,2018,26(11):11-21.
[11]王晋斌,厉妍彤. 美元指数:国际货币体系利益格局的政治经济学[J]. 国际金融,2021(12):46-58.
[12]GERS F A,SCHMIDHUBER J,CUMMINS F. Learning to forget:continual prediction with LSTM[J]. Neural Computation,2000,12(10):2451-2471.
[13]HUANG Z H,XU W,YU K. Bidirectional LSTM-CRF models for sequence tagging[J/OL]. arXiv Preprint arXiv:1508.01991,2015.
[14]GRAVES A,JAITLY N,MOHAMED A R. Hybrid speech recognition with deep bidirectional LSTM[C]//2013 IEEE Workshop on Automatic Speech Recognition and Understanding(ASRU 2013). Olomouc,Czech:IEEE,2013.
[15]HOCHREITER S,SCHMIDHUBER J. Long-term memory[J]. Neural Computation,1997,9(8):1735-1780.
[16]潘明,钱宇,李秀喜. 一种改进的顺序型多目的间歇工厂生产调度的MILP模型[J]. 化工学报,2006,57(4):861-866.
[17]张连营,张鸿飞,王争朋. 反向物流网络设计的改进MILP模型[J]. 工业工程,2006,9(1):90-94.

备注/Memo

备注/Memo:
收稿日期:2022-11-05.
基金项目:福建省中青年教师教育科研项目(JAT210609)、厦门大学嘉庚学院校级科研孵化项目(PY2023L01).
通讯作者:董涵,讲师,研究方向:人工智能和大数据分析. E-mail:donghan@mail.nankai.edu.cn
更新日期/Last Update: 2023-12-15