...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Expert Systems with Application >Exploiting intra-day patterns for market shock prediction: A machine learning approach
【24h】

Exploiting intra-day patterns for market shock prediction: A machine learning approach

机译：利用日内模式进行市场震荡预测：一种机器学习方法

获取原文
获取原文并翻译 | 示例
   

获取外文期刊封面封底 >>

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

摘要

Discovering hidden patterns under unexpected market shocks is a significant and challenging problem, which continually attracts attention from research communities of mathematics, economics, and data science. Classic financial pricing models present unsatisfactory prediction accuracy when applied to realworld data due to limited capacity in depicting complex market movements. In this paper, we develop a machine learning approach, called ARMA-GARCH-NN, to capture intra-day patterns for stock market shock forecasting. Specifically, we integrate classical financial pricing models with artificial neural networks. with explicitly designed feature selection and cross-validation methods. We conduct empirical studies on high-frequency data of the U.S. stock market for evaluation. Our results provide initial evidence of the predictability of market shocks. Additionally, we confirm the effectiveness of ARMA-GARCH-NN by recognizing patterns in massive stock data without strong assumptions on distribution. Our method can serve as a portable methodology that integrates the advantages of traditional financial models and datadriven methods to reveal hidden patterns in large-scale financial data. (C) 2019 Elsevier Ltd. All rights reserved.
机译：在意料之外的市场冲击下发现隐藏模式是一个重大且具有挑战性的问题，不断引起数学，经济学和数据科学研究界的关注。由于用于描述复杂市场变动的能力有限，因此经典金融定价模型在应用于现实世界数据时的预测准确性无法令人满意。在本文中，我们开发了一种称为ARMA-GARCH-NN的机器学习方法，以捕获股票市场震荡预测的日内模式。具体来说，我们将经典的金融定价模型与人工神经网络集成在一起。具有明确设计的特征选择和交叉验证方法。我们对美国股票市场的高频数据进行了实证研究，以进行评估。我们的结果提供了市场冲击可预测性的初步证据。此外，我们通过识别大量股票数据中的模式而无需对分布进行强力假设，从而确认了ARMA-GARCH-NN的有效性。我们的方法可以用作可移植的方法，该方法结合了传统财务模型和数据驱动方法的优势，以揭示大型财务数据中的隐藏模式。 （C）2019 Elsevier Ltd.保留所有权利。

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