Die Studie untersucht drei gängige Strategien zur Suche nach neuronalen Architekturen im Kontext der Vorhersage von Finanzzeitreihen: Bayessche Optimierung, die Hyperband-Methode und Reinforcement Learning.
Die Autoren vergleichen diese Strategien auf drei verschiedenen Finanzdatensätzen für japanische, deutsche und US-amerikanische Anleihen. Dafür wurden verschiedene neuronale Netzwerkarchitekturen wie vorwärtsgerichtete Netze, konvolutionale Netze und rekurrente Netze (LSTMs) untersucht.
Die Ergebnisse zeigen, dass LSTMs und 1D-CNNs die einfachen vorwärtsgerichteten Netze in den meisten Fällen übertreffen. Zwischen den Suchstrategien gibt es nur geringe Unterschiede, wobei Hyperband und Bayessche Optimierung tendenziell bessere Ergebnisse liefern als der Reinforcement-Learning-Ansatz.
Insgesamt ist die Vorhersage von Finanzzeitreihen eine sehr schwierige Aufgabe, bei der die untersuchten Methoden nur marginale Verbesserungen gegenüber einem Zufallsvorhersager erreichen konnten. Die hohe Varianz der Ergebnisse in Abhängigkeit vom Startwert der Zufallszahlen stellt eine weitere Herausforderung dar.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Denis Levche... om arxiv.org 03-25-2024
https://arxiv.org/pdf/2403.14695.pdfDiepere vragen