基于多信息源的股价趋势预测

股票价格及趋势预测是金融智能研究的热门话题。一直以来,各种各样的信息源被不断尝试用于股价预测,例如基本经济特征、技术指标、网络舆情、财务公告、财政新闻、金融研报等。然而,此类研究大多数只使用一种或两种信息源,使用3种及以上信息源的极为少见。信息源越多意味着能够提供更加丰富的信息内容和更多不同的信息层面。但是由于各种信源的本质不同,其对股票市场的影响程度不同,因此将多种信源融合起来进行股价预测并非易事。此外,多信源也增加了维度灾难的风险。基于信息融合的目的,尝试同时利用基本经济特征、技术指标、网络舆情3种信息源来进行股价预测。具体做法:先对不同类型的信息源数据进行针对性的处理,使其形成统一的数据集,然后使用SVM分类器建立预测模型。实验结果表明,在选用线性核函数和考虑非交易日数据时,使用这3种信源组合的预测模型的预测效果要比使用单一信源或者两两组合的预测效果好。此外,在收集数据时发现,在非交易日(例如周末或停牌期)虽没有买卖但网络舆情剧增。因此,在实验数据中添加了非交易日的舆情情感数据,分类精准度有所提高。研究结果表明,基于多信源融合的股价预测虽然困难,但是在适当地选择特征和针对性地进行数据预处理后会有较好的预测效果。

基于注意力机制的LSTM股价趋势预测研究

针对中国股票市场,提出了一种基于注意力机制的LSTM股价趋势预测模型。选取42只中国上证50从2009年到2017年的股票数据为实验对象,根据股票市场普遍认可的经验规则,分别对每个技术指标进行量化处理得到股票涨跌的趋势数据,并和交易数据混合作为预测模型的输入,然后使用基于注意力机制的LSTM模型提取股价趋势特征进行预测。实验结果表明:引入股票离散型趋势数据到预测模型中,能够在已有交易数据和技术指标的基础上提升预测精确度,与传统的机器学习模型SVM和单一的LSTM模型相比,基于注意力机制的LSTM模型具有更好的预测能力。

基于集成式长短期记忆神经网络模型的股价涨跌预测分析

在股价预测领域,预测的准确率比估计的相合性更有价值,因此保证相合估计的传统线性模型正逐渐被长短期记忆神经网络(long short-term memory,简称LSTM)等深度学习方法替代.然而,影响股价的因素是多源的,不仅包括股市历史交易信息,还包括企业基本面信息和宏观经济信息等,这些不同来源的信息间有长期确定关系,而关于此关系的数据记忆会被传统LSTM模型在学习过程中抛弃.构建“集成式长短期记忆神经网络模型”即ensemble LSTM,应用动态网络生成机制保证不同来源数据间的长期均衡关系不会被遗忘,且采用多个LSTM并联,让各神经网络独立处理单来源数据,再通过稠密层融合,因此该模型具有节约运算资源的能力.随机选取了16支个股,对比LSTM和ensemble LSTM在预测股价涨跌方面的性能,发现后者在节约运算资源上具有优势,且准确率也大多高于前者.

利用社交媒体情感分析的短期股价趋势预测方法

本文旨在利用社交媒体中的情感信息来提升股价涨跌预测性能.与以往粗粒度地使用文本中的情感信息不同,将与某公司特定话题相关的细粒度情感信息引入预测模型中,并提出一个用于短期股价预测的全新特征——“话题情感”,该特征同时抽取话题和情感信息,并协同利用二者来预测股价涨跌.此外,以往的测试数据集中交易日数量非常少或者仅包含单支股票的数据,本文方法构建了包含众多股票的长时间跨度数据集,并在此数据集上验证了细粒度情感分析对股价涨跌预测的良好效用.

一种预测高频价格的端到端双目标多任务方法

高频价格变动预测是预测价格在短时间内(比如1 min内)的变化方向(上涨、不变或下跌).用历史的高频交易数据去预测价格变化是一个比较困难的任务,这是因为二者之间的关系是高噪声、非线性和复杂的.为提高高频价格预测准确率,提出了一个端到端的双目标多任务方法.该方法引进了一个辅助目标(高频价格变化率),它和主目标(高频价格变化方向)是高度相关的并且能够提高主目标的预测准确率.此外,每一个任务都有一个基于循环神经网络和卷积神经网络的特征提取模块,它可以学习出历史交易数据和两个目标之间的高噪声、非线性和复杂的时空相依关系.为了缓解多任务方法的潜在的负迁移问题,每个任务的任务间共享部分和任务特有部分被显式地分开.而且,通过一种梯度平衡方法利用两个目标之间的高相关性过滤掉从不一致性中学到的噪声的同时保留从一致性中学到的相依规律,从而提高高频价格变化方向预测准确率.在真实数据集上的实验结果表明:所提方法能够利用高度相关的辅助目标帮助主任务的特征提取模块去学习出更有泛化能力的时空相依规律,最终提高高频价格变化方向预测准确率.此外,辅助目标(高频价格变化率)不仅能够提高特征提取模块的总体效果,而且也提高特征提取模块的不同部分的效果.

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.