基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点,所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列,使得股票价格趋势的预测精度低。为了提高预测精度,针对股票价格数据的时序性特征,提出用结合经验模态分解(EMD)、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征,并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标,最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验,结果表明,改进后的BiLSTM模型较改进前的BiLSTM模型,准确率从58.50%提升至71.26%;预测为涨的精确率从58.20%提升至70.06%,预测为跌的精确率从59.34%提升至72.36%;预测为涨的召回率从59.85%提升至73.41%,预测为跌的召回率从57.73%提升至69.11%;预测为涨的F1值从58.60%提升至71.61%,预测为跌的F1值从58.08%提升至70.53%;最终通过与长短期记忆(LSTM)网络、基于Attention机制的LSTM(Attention-LSTM)、支持向量机(SVM)、极端梯度提升(XGBoost)等4种典型的股价涨跌预测模型结果对比,验证了所提模型的准确有效性。

机器学习在投资组合中的应用研究

随着我国股票市场的快速发展,对投资组合进行优化的重要性逐步凸显。选择优良的股票是个人投资者获取盈利的首要且关键的一步。运用6种机器学习算法预测沪深300指数成分股的上涨概率,依次选取上涨概率最高的前k只股票。运用蒙特卡罗模拟方法对选取的前k只股票构建最优资产配比,以夏普比率为评价指标。最后构建RSI交易策略对这k只股票进行回测,观察其收益是否优于买入并持有沪深300指数。研究结论:1.AdaBoost模型对股票价格走势预测具有比较理想的预测结果,预测的准确率和F1-Value均高达70%以上;2.构建的投资组合夏普比率为0.6165,说明该投资组合每承受1单位风险能带来0.6165单位的超额收益,较为优良;3.机器学习算法选出的k只股票回测结果均较优,胜率都超过65%,最大回撤大多低于20%,说明机器学习算法在选股上具有一定优势。

融合经验模态分解与深度时序模型的股价预测

对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作,它对于投资者降低决策风险,提高投资收益具有重要意义.股票价格序列的非线性、高噪声、强时变性等复杂特性,使得现有的方法无法有效提高预测准确性.为了解决这个问题,本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络(EAN)的股票价格涨跌预测模型TE-EAN.该模型利用经验模态分解对传统技术因子进行分解去噪,得到高频和低频的特征序列.然后将这些具有明显趋势特征的序列映射到新的表示空间中,同时利用深层门控循环单元学习依赖于时间的隐藏嵌入.最后通过时间注意力自适应地聚合时间维度信息以降低信息冗余,实现对股票价格涨跌的预测.同时,针对股票价格序列强时变性的特点采用顺序参数迭代更新的训练方法,进一步提高了预测的准确性.在随机抽取的25只沪深300指数成分股上的实验结果表明,该模型可以有效预测股票价格的涨跌,模型AUC最高达0.732.