如何在具有不连续值的连续时间序列数据上构建和预测聚类行业指数收益

如何在具有不连续值的连续时间序列数据上构建和预测聚类行业指数收益

• 添添斯图尔特管理科学博士.D. 学生

文摘:

常规的时间序列分析方法在选股方面表现不佳. 这主要是因为这些系列不符合其规范中固有的不断发展的过程假设. 本研究的目的是利用先进的机器学习技术来弥补这一缺点. 利用这种技术，我们可以非常准确地预测相关股票指数的时间序列. 我们使用分层风险平价(HRP) (Lopez De Prado 2016)并在记录噪声之后构建指数, 我们使用CNN-LSTM和基于LSTM-CNN的GAN建模来预测收益. 这种形式的建模比流行的LSTM机器学习算法性能更好.

所有伊利诺伊理工学院的教师、学生和工作人员都被邀请参加.

的 周五研究报告 系列展示了斯图尔特商学院教师和学生正在进行的学术研究项目, 以及威尼斯人平台同事的客座演讲, 商业人士, 以及其他顶尖商学院的教职员工.