نستخدم كلاً من خوارزميات الغابات العشوائية (Random Forests) والشبكات العصبية ذات الذاكرة الطويلة القصيرة (LSTM)، وبشكل أكثر دقة شبكات CuDNNLSTM، كأساليب تدريب لتحليل فعاليتها في التنبؤ باتجاهات الحركة الخارجة عن العينة (out-of-sample) للأسهم المكونة لمؤشر S&P 500، من يناير 1993 حتى ديسمبر 2018، وذلك في سياق التداول الداخلي للساعة (intraday). ونُقدّم نموذجًا متعدد الميزات يشمل ليس فقط العوائد بالنسبة إلى أسعار الإغلاق، بل أيضًا العوائد بالنسبة إلى أسعار الافتتاح والعوائد الدقيقة داخل اليوم (intraday returns). كاستراتيجية تداول، نعتمد نموذج كراوس وآخرون (2017) وفيسشر وكراوس (2018) كمعيار مرجعي. وفي كل يوم تداول، نشتري الأسهم العشرة ذات الاحتمال الأعلى ونبيعها على المكشوف (sell short) الأسهم العشرة ذات الاحتمال الأدنى، بهدف تجاوز أداء السوق من حيث العوائد اليومية، مع توزيع متساوٍ للقيمة المالية على كل سهم. تُظهر النتائج التجريبية أن النموذج متعدد الميزات يحقق عائدًا يوميًا، قبل خصم تكاليف التداول، قدره 0.64% باستخدام شبكات LSTM، و0.54% باستخدام الغابات العشوائية. وبالتالي، نتفوق على النموذج أحادي الميزة في فيسشر وكراوس (2018) وكراوس وآخرون (2017)، الذي يعتمد فقط على العوائد اليومية بالنسبة إلى أسعار الإغلاق، حيث حقق العائد اليومي 0.41% باستخدام LSTM و0.39% باستخدام الغابات العشوائية، على التوالي.