پیش بینی همبستگی روزانه در محیط های پایدار و بی ثبات بازار: شواهدی از یادگیری عمیق

روشها و تئوریهای استاندارد در امور مالی می توانند برای به دست آوردن تعاملات بسیار غیر خطی در مشکلات پیش بینی مالی مبتنی بر مجموعه داده های در مقیاس بزرگ ، با یادگیری عمیق راهی را برای به دست آوردن بینش از همبستگی در بازارها به عنوان سیستمهای پیچیده فراهم کنند. در این مقاله ، ما یادگیری عمیق را به شیب ساختاری اقتصادی برای یادگیری و سوء استفاده از همبستگی های با تاخیر در بین سهام S&P 500 برای مقایسه رفتار مدل در محیط های پایدار و فرار بازار و تحت محرومیت از اطلاعات مربوط به سهام هدف برای پیش بینی ها اعمال می کنیم. به منظور سنجش تأثیر افق زمانی ، پیش بینی می کنیم حرکات روزانه و روزانه قیمت سهام در بازه های مختلف متغیر باشد و پیچیدگی مسئله موجود در آن را با یک تغییر در معماری مدل خود سنجید. یافته های ما نشان می دهد که دقت ، در حالی که قابل توجه باقی مانده و نشان دهنده سوء استفاده از همبستگی های عقب مانده در بورس سهام است ، با افق های پیش بینی کوتاه تر کاهش می یابد. ما در مورد پیامدهای تئوری مدرن امور مالی و کاربرد کار ما به عنوان ابزاری تحقیق برای مدیران نمونه کارها بحث می کنیم. در آخر ، ما نشان می دهیم که عملکرد مدل ما با قرار گرفتن در معرض محیط بحران مالی اخیر ۲۰۰۷/۲۰۰۸ ، در بازارهای بی ثبات سازگار است.