主要观点总结
文章介绍了一种结合半参数部分可加时间序列模型(SPATSM)与八个技术指标的方法来预测股票收益。通过探讨五个美国股票收益与技术指标之间的关系,文章展示了该方法在预测性能上的改进。
关键观点总结
关键观点1: 文章概述和摘要
文章提出了一种结合SPATSM与八个技术指标的方法,以预测股票收益。该方法探讨了技术指标对股票收益的线性和非线性影响,并在预测性能上有所改进。
关键观点2: 引言部分
准确预测股票收益是金融市场中的难题,文章指出近年来多种方法被用于预测未来股市行为,但大多数研究主要集中在二分类预测问题上。因此,文章提出结合SPATSM与八个技术指标进行预测。
关键观点3: 数据描述与变量解释
文章选取了五家美国公司的日股票数据作为研究对象,并选择了八个技术指标作为预测变量。
关键观点4: 方法论部分
文章提出了一个SPATSM的构建方法,包括六个线性关系和两个非线性动态关系。同时,使用了后拟合算法进行参数估计,并通过预测误差统计量评估预测性能。
关键观点5: 实验结果与结论
实验结果显示,所提出的SPATSM在预测五个美国股票收益方面优于线性或加性时间序列模型。文章还展望了未来的研究方向,包括进一步探索正则化的SPATSM以提高预测性能。
文章预览
Semi-Parametric Partially Additive Time Series Models with Eight Technical Indicators Predict Stock Returns 机器翻译,仅供参考!可使用微信自带翻译功能自行翻译 更多文献获取请关注公众号:量化前沿速递 获取 文献链接/翻译/pdf/文章解析 请加入知识星球“ 量化前沿速递 ” 文章概述 摘要 本文提出了一种结合半参数部分可加时间序列模型(SPATSM)与八个技术指标的方法来预测股票收益。该方法通过研究五个美国股票收益和技术指标之间的关系,探讨了技术指标对股票收益的线性和非线性影响,并展示了所提方法在预测性能上的改进。 引言 准确预测股票收益一直是金融市场中的难题。近年来,许多方法如时间序列分析、基本面分析、技术分析、机器学习和深度学习被用于预测未来股市行为。然而,大多数研究主要集中在二分类(上涨趋势和下跌趋势)预测问题上。
………………………………