Are Markets so Different? Forecasting Markets' Return with LSTM Model and Optimizations

Abstract

АВТОРЕФЕРАТ

В этом исследовании анализируется, как модель долговременной краткосрочной памяти (LSTM) в сочетании с методами оптимизации может помочь спрогнозировать доходность финансовых рынков. Из-за различных нелинейностей и нестационарностей, а также других противоречивых динамик, совершенно не очевидно, как точно прогнозировать финансовые рынки. Например, реакция рынка на дальнейшее количественное смягчение может не отражаться в исторических корреляциях, поскольку основные причины иные. По умолчанию многие традиционные методы прогнозирования предполагают, что данные постоянны и линейны. Однако современные технологии быстро меняют наше понимание мира. LSTM, тип рекуррентной нейронной сети (RNN), оказался лучшей моделью для анализа последовательных данных, особенно если она имеет долговременную память. Основная цель этого исследования — проверить возможности модели LSTM в прогнозировании доходности рынка для различных финансовых рынков. Кроме того, исследование направлено на изучение методов оптимизации, которые влияют на поведение модели. Процесс исследования включает в себя сбор исторических рыночных данных с различных финансовых рынков. Несколько проектов LSTM и стратегий оптимизации разрабатываются и тестируются с использованием бэктестинга и статистического анализа. Обзор литературы охватывает краткий анализ доступных в настоящее время исследований, связанных с прогнозированием доходности на финансовых рынках с использованием модели LSTM и методов оптимизации. Все они подробно рассмотрены с указанием преимуществ и недостатков. Более того, эта тема помещена в более широкий контекст литературы и исследует, какие пробелы были обнаружены в предыдущих исследованиях. Результаты эмпирических исследований показали, что модели LSTM действительно способны отслеживать основные закономерности, заложенные в рыночные данные, для создания точных прогнозов доходности на различных рынках. Методы оптимизации, включая разработку признаков, настройку гиперпараметров и ансамблевые методы, могут улучшить прогностическую способность модели LSTM. Результаты исследования имеют важные последствия для финансов с точки зрения академических исследований и реальных приложений. Использование моделей LSTM и методов оптимизации позволяет инвесторам и финансовым аналитикам получать важную информацию для улучшения управления портфелем и исполнения сделок, а также защиты инвестиций в меняющихся рыночных условиях. Последующие направления исследований могут повлечь за собой изучение других конструкций нейронных сетей, расширение используемых источников данных и применение изменений рыночного режима в процессе прогнозирования.

ABSTRACT

This study analyzes how the Long Short-Term Memory model (LSTM) coupled with parameter op-timization techniques, can help predict the financial markets returns. Due to the various non-linearities, and non-stationarities, as well as other controversial dynamics it is not obvious at all how to accurately forecast financial markets. For example, market responses to quantitative easing going forward may not be reflected in historical correlations since the underlying reasons are different. By default, many traditional forecasting methods presume data is constant and linear. However, modern technology is rapidly reshaping how we understand the world. LSTM, a type of recurrent neural network (RNN), has proven to be the best model for analyzing sequential data, especially when it has a long-term memory. This study's main goal is testing the LSTM model's capability in forecasting market re-turns for different financial markets. Furthermore, the study aims to explore parameter optimization tech-niques which affect the model's functioning behavior. The study process entails gathering historical market data from a variety of financial markets. Several LSTM designs and parameter optimization strategies are constructed and tested utilizing back testing and statistical analysis. The literature re-view covers a brief analysis of the currently available studies related to the prediction of returns in financial markets, with LSTM model and parameter optimization methods. These are all explored clearly and with the advantages and disadvantages included. Moreover, the topic is placed within the broader context of literature and investigates which gaps are uncovered by preceding studies. Results from empirical research revealed that LSTM models were indeed capable of tracing the underlying patterns embedded in the market data to generate accurate return forecasts in various markets. Pa-rameter optimization techniques, including feature engineering, hyperparameter tuning and ensemble methods, could improve the predictive power of LSTM model. The study's results have impactful consequences for finance, in terms of academic research and real-world applications. The utilization of LSTM models and parameter optimization methods enables investors, and financial analysts to obtain essential insights to enhance portfolio management and trade execution, as well as protect investments in fluctuating market conditions. Subsequent research avenues may entail the examina-tion of other neural network designs, the expansion of data sources utilized, and the application of market regime shifts to the forecasting process.