Financial time series forecasting using artificial neural networks

Abstract

This study builds an artificial neural network framework with the use of stacked autoencoders (SAE) to extract deep denoised features, and long short-term memory (LSTM) to generate forecasts for the next-day adjusted closing price of S&P500. Data for seven different stock indices, technical indicators, and macroeconomic variables is used to train three different models: a 'price model' which predicts the next-day price, a 'change model' which predicts the relative change in price, and a ’binary model’ which predicts the probability of a price increase. The models were judged based on predictive accuracy and profitability. Results show the models either fail to generalize well or fall prey to a vicious minimum approximating a naive predictor. Furthermore, the models appear particularly poor at predicting breaks in the series, likely due to their infrequency. This might provide evidence supporting the efficient market hypothesis.

Este estudo constrói modelos de redes neuronais artificiais com o uso de "stacked autoencoders" (SAE) para extrair variáveis latentes sem ruído e "long short-term memory" (LSTM) para gerar previsões para o "next-day adjusted closing price" do S&P500. Dados para sete índices de ações diferentes, indicadores técnicos e variáveis macroeconómicas são usados para treinar três modelos diferentes: um 'modelo de preço' que prevê o preçoo do dia seguinte, um 'modelo de mudança que prevê a mudança relativa no preçoo e um 'modelo binário' que prevê a probabilidade de um aumento de preço. Os modelos foram avaliados com base na sua precisão preditiva e lucratividade. Os resultados mostram que os modelos falham em generalizar bem ou caem num mínimo vicioso que se aproxima de um "naive predictor". Além disso, os modelos parecem particularmente fracos a prever quebras na série, provavelmente devido à sua infrequência. Isto pode fornecer evidências que apoiam a hipótese do mercado eficiente.