Ensemble forecasting of financial data with deep and statistical learning

Abstract

Δεδομένων των αγωνιστικών εξελίξεων στη μηχανική μάθηση και την τεχνητή νοημοσύνη, αυτό το έγγραφο επιδιώκει να χρησιμοποιήσει τη στατιστική και τη βαθιά μάθηση σε ένα σχήμα στοίβαξης για να προβλέψει βέλτιστα τις τιμές των χρηματοοικονομικών προϊόντων. Χρησιμοποιούμε ένα σύνολο διαφορετικών μοντέλων, εμπλουτισμένων με εξωγενείς μεταβλητές που δεν είναι άλλοι από τους δείκτες τεχνικής ανάλυσης με τον υψηλότερο συντελεστή συσχέτισης Pearson. Τα αποτελέσματά μας δείχνουν τουλάχιστον συγκριτική ακρίβεια για τις μεθόδους συνόλου σε σύγκριση με τις βασικές γραμμικές μεθόδων και παρέχουν πληροφορίες σχετικά με την ικανότητα πρόβλεψης διαφορετικών κατηγοριών μοντέλων πρόβλεψης.

Given racing developments in machine learning and artificial intelligence, this paper seeks to use statistical and deep learning in a stacking ensemble scheme to optimally predict prices of financial products. We use a set of different models, enriched with exogenous variables that are non other than technical analysis indicators with the highest Pearson correlation coefficient. Our results show at least comparative accuracy for ensemble methods when compared to baseline linear methods, and provide insight on the forecasting ability of different classes of predicting models.