深層学習技術は、高頻度取引における予測を行う能力があることが証明されており、他の伝統的な手法と比べてしばしばより良い結果を出しています。長短期記憶（LSTM）アーキテクチャが実装されました。なぜなら高頻度データのノイズ、非線形性、非定常性、そして複雑さにもかかわらず、この再帰型ニューラルネットワーク（RNN）深層学習技術はその特有の特徴により、興味深いパターンを見つけ出すことができるからです。情報を長いシーケンスにわたって保持するのに苦労する伝統的なRNNとは異なり、LSTMセルは過去の重要な情報を選択的に保存し、取得することができます。本論文の目的は、これらの非線形自己回帰モデルの微調整のための堅牢なプロセスを研究し実装し、適切な指標を用いて結果を分析し、全体的なパフォーマンスを評価することです。イタリアの株を基にした市場のケーススタディを分析し、ボリュームに関連した外生変数としてのテクニカル指標ウィリアムズ %R を使用してネットワークのパフォーマンスを向上させる方法を示します。
Chiapparino et al. (水曜日) はこの問題を研究しました。