摘要
我们采用随机森林（random forests）与LSTM神经网络（更准确地说是CuDNNLSTM）作为训练方法，评估其在1993年1月至2018年12月期间对标准普尔500指数成分股日内价格方向变动进行样本外预测的有效性，以支持日内交易策略。我们引入了一种多特征设定，不仅包含相对于收盘价的收益率，还纳入了相对于开盘价的收益率以及日内收益率等多维特征。在交易策略方面，我们以Krauss等（2017）以及Fischer与Krauss（2018）的研究作为基准。在每个交易日，我们买入预测上涨概率最高的10只股票，同时做空预测下跌概率最低的10只股票，以实现超越市场表现的日内收益，且所有持仓均赋予相等的资金权重。实证结果表明，在扣除交易成本前，采用LSTM网络的多特征设定可获得每日0.64%的收益率，而随机森林模型则达到每日0.54%的收益率。相较之下，Fischer与Krauss（2018）及Krauss等（2017）所采用的单一特征设定（仅包含相对于收盘价的每日收益率）的对应日均收益率分别为0.41%（LSTM）和0.39%（随机森林），因此本研究提出的多特征设定在预测性能上显著优于前述基准方法。