Bridging the divide in financial market forecasting: machine learners vs. financial economists

پیش بینی های سری زمانی مالی یک برنامه محبوب از روش های یادگیری ماشین است. مطالعات قبلی نشان می دهد که روش های پیش بینی پیشرفته پیش بینی تغییرات قیمت در بازارهای مالی با دقت بالا و سود را می توان در این پیش بینی های تجاری انجام داد. با این حال، اقتصاددانان مالی به بهره وری اطلاعاتی بازارهای مالی اشاره می کنند که سؤال پیش بینی قیمت و فرصت های تجارت سودآور را مطرح می کند. هدف مقاله این است که این تناقض را حل کنیم. برای این منظور، ما شبیه سازی پیش بینی گسترده را بر اساس داده های سی و چهار شاخص مالی بیش از شش سال انجام می دهیم. این شبیه سازی ها نشان می دهد که بهترین روش های یادگیری ماشین، پیش بینی دقیق تر از بهترین روش های اقتصادسنجی را تولید می کند. ما همچنین عوامل روش شناختی را که دقت پیش بینی آزمایشات پیش بینی یادگیری ماشین را تحت تاثیر قرار می دهند بررسی می کنیم. نتایج نشان می دهد که پیش بینی بازار مالی و امکان فروش سودآور مبتنی بر مدل، به طور قابل ملاحظه ای از بلوغ بازار، روش پیش بینی استفاده شده، افق پیش بینی شده و روش شناسی مورد استفاده برای ارزیابی مدل و شبیه سازی تجارت مبتنی بر مدل. ما همچنین شواهدی را علیه ارزش اطلاعاتی شاخص ها از حوزه تحلیل فنی پیدا می کنیم. به طور کلی، ما تایید می کنیم که روش های پیش بینی پیشرفته می تواند برای پیش بینی تغییرات قیمت در برخی از بازارهای مالی استفاده شود و ما بحث می کنیم که آیا این نتایج، دیدگاه غالب در ادبیات اقتصاد مالی که بازارهای مالی کارآمد هستند، مطرح می شود.