• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Artificial Intelligence and Industrial Design >Market Forecast using XGboost and Hyperparameters Optimized by TPE
【24h】

Market Forecast using XGboost and Hyperparameters Optimized by TPE

机译：使用TPE优化的XGBoost和HyperParameter的市场预测

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Online trading allows for thousands of transactions to occur within a fraction of a second, resulting in nearly unlimited opportunities to potentially find and take advantage of price differences in real time. However, in a fully efficient market, profit-oriented trading is a very important but difficult problem to solve. In this paper, in order to simplify the street trading problem, we propose to use the xgboost-based stock trading action selection prediction model and a special feature engineering process, as well as a hyperparameter optimization method. Our method can efficiently analyze attributes of different dimensions to make predictions better. We evaluated our XGboost trading behavior on the Jane Street dataset provided by the kaggle competition. Through the experiment result, our model shows surprising capability by contrast with other machine learning methods. Our profit indicators are 123 and 989 higher than those without hyperparameter optimization and neural network methods, respectively. In addition, we also studied the importance of features and hyperparameters.
机译：在线交易允许成千上万的交易在一秒钟的一小部分内发生，导致几乎无限的机会能够实时发现和利用价格差异。然而，在一个完全有效的市场中，以利润为导向的交易是解决的一个非常重要但难以解决的问题。在本文中，为了简化街道交易问题，我们建议使用基于XGBoost的股票交易动作选择预测模型和特殊的特征工程过程，以及一种超参数优化方法。我们的方法可以有效地分析不同维度的属性，以更好地进行预测。我们在演习竞赛提供的Jane Street DataSet上评估了我们的XGBoost交易行为。通过实验结果，我们的模型通过与其他机器学习方法对比显示出令人惊讶的能力。我们的利润指标分别比没有近额计优化和神经网络方法高123和989。此外，我们还研究了特征和封锁的重要性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号