文件名称：LSTM_Stock_Modeling
文件大小：125KB
文件格式：ZIP
更新时间：2024-04-10 06:47:23
Python
使用深度神经网络复制增强的时间序列动量策略-CS496项目：深度学习中的高级主题 栏目 介绍 CLC数据集 代码 复制我们的结果 进一步改进 进一步阅读 介绍 时间序列动量或趋势动量由包含近期收益为正的多头资产和近期收益为负的空头资产组成的投资组合来衡量。学术证据表明，优化时间序列动量的策略可提高投资组合的风险调整后收益。 这些时间序列动量策略具有两个主要属性，即趋势估计和头寸调整。最近的研究已经实施了各种监督学习模型来预测这些组成部分。但是，这些模型并未考虑波动性和其他风险特征，因此需要手动规格。 在，作者提出了深层动量网络（DMN）作为动量策略的一种方法，该方法改善了先前监督学习模型的缺点。 DMN旨在以一种在同一功能中同时学习趋势估计和位置大小的方式直接生成位置。 作者研究了四种常见的深度神经网络架构-线性回归，多层感知器（MLP），WaveNet和长期短期记忆（LSTM）-并将生成
【文件预览】：
LSTM_Stock_Modeling-main
----.gitignore(5B)
----ProfitabilityMSE.png(37KB)
----requirements.txt(29B)
----data()
--------__init__.py(0B)
--------__pycache__()
--------GetDataset.py(7KB)
--------datasets.json(1KB)
----src()
--------Linear.py(1KB)
--------LSTM.py(6KB)
--------__init__.py(318B)
--------WaveNet.py(2KB)
--------Handler.py(3KB)
--------__pycache__()
--------hyperparameters.py(232B)
--------MLP.py(2KB)
--------CustomLoss.py(748B)
----README.md(27KB)
----.idea()
--------CS496_LSTM.iml(352B)
--------.gitignore(176B)
--------misc.xml(198B)
--------encodings.xml(159B)
--------vcs.xml(180B)
--------inspectionProfiles()
--------modules.xml(272B)
----main.py(8KB)
----CumulativeReturnsMSE.png(65KB)