基于深度混合架构的智能量化交易系统研究： 融合SSDA与LSTM自编码器的特征提取与决策优化方法

本文探讨在量化交易领域中结合时序特征和静态特征的混合建模方法。通过整合堆叠稀疏降噪自编码器(SSDA)和基于LSTM的自编码器(LSTM-AE)，我们要构建一个能够全面捕捉市场动态特性的交易系统。

特征表示学习

在特征工程阶段，SSDA通过降噪技术提取股票数据的鲁棒表示。该方法能够有效过滤市场噪声，保留对价格走势具有实质影响的关键特征，如趋势变化点和异常波动。

 

https://avoid.overfit.cn/post/232a0143ad5a415eb66d8fbac800d49b

posted @   deephub  阅读(26)  评论(0)  编辑  收藏  举报
相关博文：
· Block Recurrent Transformer：结合了LSTM和Transformer优点的强大模型
· SiMBA：基于Mamba的跨图像和多元时间序列的预测模型
· 07.基于文本挖掘和 SVM 的股票市场择时交易研究
· 【视频】LSTM模型原理及其进行股票收盘价的时间序列预测讲解|附数据代码
· 02.Deep Reinforcement Learning for Quantitative Trading Challenges and Opportunities
阅读排行：
· 全程不用写代码，我用AI程序员写了一个飞机大战
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· MongoDB 8.0这个新功能碉堡了，比商业数据库还牛
· 白话解读 Dapr 1.15：你的「微服务管家」又秀新绝活了
历史上的今天：
2023-12-19 从头开始实现LoRA以及一些实用技巧
2022-12-19 强化学习的基础知识和6种基本算法解释
2021-12-19 阅读和实现深度学习的论文初学者指南
点击右上角即可分享
微信分享提示