Online High-Frequency Trading Stock Forecasting with Automated Feature Clustering and Radial Basis Function Neural Networks
创建于 更新于
摘要
本报告提出了一种在线高频交易股票价格预测的全自动机器学习框架，结合组合特征重要性机制（MDI与GD）和基于k-means聚类的径向基函数神经网络（RBFNN），实现了特征选择与聚类的自主化，大幅提升了超短期LOB中间价的预测准确性。实验证明不同股票需要不同的特征空间，且两种竞争机制交替使用，体现出高度动态的适应性，验证了自动聚类和特征选择对于高频在线预测的重要价值 [page::0][page::1][page::4][page::5][page::6]
