这篇论文通过模拟时间序列数据，实证研究了标准循环神经网络（RNN）在趋势检测中的效率，将其与多种传统估计器（如移动平均、卷积神经网络和基于最大似然估计的模型）进行比较。研究结果表明，RNN（尤其是GRU和LSTM结构）在趋势检测任务中表现出色，优于其他估计器，并且可以作为构建更复杂时间序列趋势估计器的基础模块。此外，作者还探讨了如何通过模拟数据训练通用趋势估计器，并将其应用于实际金融市场数据，强调了学习标准化数据并进行迁移学习的重要性，以避免过拟合并提高模型的泛化能力。

欢迎对量化感兴趣的朋友加微信交流：ctaxiaobai