Comparative analysis of financial data differentiation techniques using LSTM neural network
使用 LSTM 比较金融数据差分处理技术AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要比较股指金融数据的预处理，并评价 LSTM 预测与基于预测的交易表现，最直接对应金融收益预测而非资产定价理论。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
使用 LSTM 比较金融数据差分处理技术
- 研究问题
- 在 LSTM 金融预测之前，对数收益、分数差分及其温和化扩展等数据转换，会如何影响预测误差和基于预测构造的交易表现？
- 方法与思路
- 作者用多种技术估计差分参数，在四个主要股指的十年数据上加入技术指标，并以预测误差和风险调整交易表现进行比较。
- 材料陈述的贡献
- 摘要称保留记忆的分数差分改善了预测表现，生成预测在单个资产与股指组合策略中呈现盈利结果，强调预处理选择的重要性。
- 阅读关注点
- 应核对差分参数是否仅用训练数据估计、预测目标与时间划分，以及技术指标、交易成本和策略选择是否引入信息泄漏。
- 阅读边界
- 本文为 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明日期、交易成本或收益数值，所述策略盈利不能推断为未来可实现。
原文摘要
We compare traditional approach of computing logarithmic returns with the fractional differencing method and its tempered extension as methods of data preparation before their usage in advanced machine learning models. Differencing parameters are estimated using multiple techniques. The empirical investigation is conducted on data from four major stock indices covering the most recent 10-year period. The set of explanatory variables is additionally extended with technical indicators. The effectiveness of the differencing methods is evaluated using both forecast error metrics and risk-adjusted return trading performance metrics. The findings suggest that fractional differentiation methods provide a suitable data transformation technique, improving the predictive model forecasting performance. Furthermore, the generated predictions appeared to be effective in constructing profitable trading strategies for both individual assets and a portfolio of stock indices. These results underline the importance of appropriate data transformation techniques in financial time series forecasting, supporting the application of memory-preserving techniques.