FF-HMM: Un modelo de Markov basado en fusión de fluctuaciones para la predicción de acciones

Un modelo de predicción de acciones preciso guiará una acción correcta a futuro, lo que traerá enormes beneficios. Para lograr tal objetivo, los investigadores han estado trabajando en desarrollar un modelo preciso de aprendizaje automático y aprendizaje profundo, considerando el rendimiento prometedor de los modelos de inteligencia artificial. Sin embargo, los métodos actuales todavía tienen algún potencial por explorar. En este documento, proponemos un nuevo método de predicción de acciones basado en un modelo oculto de Markov (FF-HMM). En lugar de utilizar solo el precio original para el entrenamiento del modelo, nuestro método adopta la fluctuación estocástica del precio para el entrenamiento. Además, la fluctuación pronosticada se utiliza para ajustar la predicción original con el mecanismo de Media Móvil Exponencial. El método propuesto se compara con 4 modelos de predicción de acciones típicos (es decir, Regresión de Vectores de Soporte, Red Neuronal Recurrida, Red de Memoria a Largo Corto y modelo oculto de Markov tradicional) en 6 benchmarks de código abierto (es decir, APPLE, AMZN, BA, GOOGLE, UNH, UNQLO). Los prometedores resultados experimentales muestran que nuestro método tiene un mejor rendimiento que los demás, lo que confirma la viabilidad y escalabilidad de nuestro método.