特征选择对金融时间序列预测的影响：基于机器学习算法的实证研究

本文的主要贡献在于研究特征选择对使用机器学习算法进行预测问题的重要性，包括分类和回归设置。它使用了十个不同的金融时间序列数据集，包括加密货币和股票市场。本研究调查了选定的股票和加密货币回报的可预测性，即基于机器学习技术的回归问题和基于相同技术的二元买卖策略作为分类问题的盈利能力。本研究评估了几种机器学习技术，包括逻辑回归（LR）、人工神经网络（ANN）、卷积神经网络（CNN）和长短期记忆（LSTM），在应用退火特征选择（FSA）Barbu等人（2016）和Boruta算法Ghosh等人（2022）作为基准方法进行特征选择后。