Financial Time Series Prediction using Deep Learning

Дата: 
11/11/17
Аномалии: 
Авторы: 
Ariel Navon, Yosi Keller
Аннотация: 
In this work we present a data-driven end-to-end Deep Learning approach for time series prediction, applied to financial time series. A Deep Learning scheme is derived to predict the temporal trends of stocks and ETFs in NYSE or NASDAQ. Our approach is based on a neural network (NN) that is applied to raw financial data inputs, and is trained to predict the temporal trends of stocks and ETFs. In order to handle commission-based trading, we derive an investment strategy that utilizes the probabilistic outputs of the NN, and optimizes the average return. The proposed scheme is shown to provide statistically significant accurate predictions of financial market trends, and the investment strategy is shown to be profitable under this challenging setup. The performance compares favorably with contemporary benchmarks along two-years of back-testing.
Описание: 

В статье предлагается использовать глубокую нейронную сеть, многослойный перцептрон, для предсказания краткосрочного тренда временного ряда SPY, а также отдельных наиболее ликвидных акций входящих в индекс S&P500.. Предложенная нейронная сеть иметь пять слоёв. Для избегания переобучения после 1-го и 2-го слоёв сделано исключение 50% (dropout 0.5). Слои являются полностью связанными (fully-connected). На вход подаётся вектор цен длительностью шестьдесят предыдущих минут и значение тренда 60х1. Слои имеют 500, 200, 40, 20, 2 нейронов. В качестве функции активации скрытых слоёв выбрано ReLU, функцией активации выходного слоя выбрана функция softmax. Период обучения D и период прогнозирования Т выбираются при помощи метода перекрёстной проверки (Cross-validation). Метод обучения нейронной сети – end to end.

На in-sample если считать без комиссии - шарп 3-4. После всяких оптимизаций удалось получить шарп ~2 с учетом комиссий. Однако на out-of-sample результат нулевой. Воспроизвести нормально результаты статьи не удалось даже близко. Возможно что-то делали не так.