该研究报告旨在通过实证分析，比较不同差分技术在金融预测中的有效性，其核心论点是传统用于实现数据平稳的对数收益率（即整数阶差分）会过度清除价格序列中宝贵的长期记忆，从而损害模型性能。为验证此观点，论文提出采用分数阶差分技术，该技术能够在获得平稳性的同时最大限度保留序列记忆，并将此方法与传统方法处理后的数据一同作为输入，分别训练独立的LSTM神经网络模型。研究通过预测精度评估和模拟交易策略回测的双重维度进行比较，最终得出结论：使用分数阶差分技术处理数据的模型，在预测准确度和交易策略的风险调整后收益上，均显著优于使用传统对数收益率的模型，从而证明了保留数据记忆对于构建更有效的金融预测模型至关重要。
#######################
欢迎参加净值还在水上微信群：本群旨在成为一个高质量的量化知识共享圈。我们只聚焦高价值的干货分享，期待大家能在这里一起交流、一起成长。
为保证群的纯粹性和交流质量，我们将严格审核入群身份。