Тестирование конфигураций модели LSTM для генерации альфы через предсказание тренда SPY

В данном исследовании мы стремились улучшить прогнозирование трендов SPY с использованием сетей длительной краткосрочной памяти (LSTM) посредством передовых методов оптимизации гиперпараметров. Изначально была проведена мануальная настройка ключевых параметров, таких как размер окна, размер бэтча, скорость обучения и количество нейронов, чтобы установить базовую производительность модели. Модель обучалась на финансовых данных с использованием различных технических индикаторов после тщательной предварительной обработки, включающей винсоризацию, вейвлет-преобразование для снижения шума и нормализацию. Для повышения точности модели использовались байесовская оптимизация и нейроэволюция DEAP. Байесовская оптимизация, использующая вероятностное моделирование, оказалась особенно эффективной в навигации по высокоразмерному пространству гиперпараметров, значительно улучшив точность и полноту модели. Нейроэволюция DEAP, вдохновленная естественным отбором, предоставила еще один слой оптимизации, хотя в данном контексте она оказалась менее эффективной, чем байесовская оптимизация. Байесовски оптимизированная модель была дополнительно проанализирована на предмет консистентности. Было замечено, что обучение с использованием более высокого постоянного значения стандартного отклонения и тестирование с более низким значительно улучшило точность прогнозирования трендов. Эта стратегия выявила скрытые тренды, улучшив прогностическую мощность модели. Результаты показали улучшение точности с 67% до 83% для отрицательных трендов и с 62% до 85% для положительных трендов, несмотря на незначительное снижение полноты. Вариативность ежемесячной прибыли оценивалась в пределах от 2.1% до 6.3%, что является разумным, учитывая высокую точность модели и динамичную природу финансовых рынков. Это исследование подчеркивает важность регулярного переобучения и адаптивных стратегий для поддержания производительности модели с течением времени.