haebom
Sign In

HAELT: A Hybrid Attentive Ensemble Learning Transformer Framework for High-Frequency Stock Price Forecasting

작성자
  • Haebom
카테고리
Empty

저자

Thanh Dan Bui

개요

본 논문에서는 고주파 주식 가격 예측의 어려움(비정상성, 노이즈, 변동성)을 해결하기 위해, 하이브리드 어텐티브 앙상블 러닝 트랜스포머(HAELT)라는 딥러닝 프레임워크를 제안합니다. HAELT는 ResNet 기반 노이즈 감소 모듈, 관련 과거 데이터에 대한 동적 집중을 위한 시간적 자기 주의 메커니즘, 그리고 지역적 및 장기적 의존성을 모두 포착하는 하이브리드 LSTM-Transformer 코어를 결합합니다. 이러한 구성 요소들은 최근 성능에 따라 적응적으로 앙상블됩니다. 2024년 1월부터 2025년 5월까지의 애플(AAPL) 주식의 시간별 데이터를 사용하여 평가한 결과, HAELT는 테스트 세트에서 가장 높은 F1 점수를 달성하여 상승 및 하락 가격 움직임을 효과적으로 식별했습니다. 이는 HAELT가 강력하고 실용적인 금융 예측 및 알고리즘 트레이딩에 잠재력이 있음을 보여줍니다.

시사점, 한계점

•
시사점:
◦
고주파 주식 가격 예측을 위한 강력하고 효과적인 새로운 딥러닝 프레임워크(HAELT) 제시
◦
ResNet, 자기 주의 메커니즘, LSTM-Transformer의 효과적인 결합을 통한 노이즈 감소 및 시계열 의존성 포착
◦
적응적 앙상블 기법을 통해 모델 성능 향상
◦
실제 주식 데이터(AAPL)를 이용한 실험을 통해 우수한 성능 검증 (최고 F1 점수 달성)
◦
알고리즘 트레이딩 및 금융 예측 분야에 대한 실질적인 응용 가능성 제시
•
한계점:
◦
현재 애플(AAPL) 주식 데이터에 대한 결과만 제시되어, 다른 주식 또는 시장에 대한 일반화 가능성은 추가 연구가 필요함.
◦
시간적 범위가 제한적이므로, 장기적인 예측 성능에 대한 추가 검증 필요.
◦
다양한 시장 상황(예: 급격한 시장 변동)에 대한 모델의 강건성 평가 필요.
◦
과적합 가능성 및 모델의 해석성에 대한 추가적인 분석 필요.
PDF 보기
👍
Made with Slashpage