关键词:
MDT张量处理技术
滑动时间窗口
深度学习
股价预测
摘要:
股票市场本质上是一个动态的、非线性的、不稳定的、嘈杂的和混乱的系统,中国股票市场正处于完善多层次金融机构布局、重塑金融机构内在机制、金融业监管改革等金融供给侧结构性改革的重要阶段,精准的股价预测有利于对市场进行有效监管。故基于深化市场、增强监管与保护投资者的目的,通过对多种深度学习模型的股价预测效果对比,选择出预测效果最优的算法深入分析。研究内容如下:
第一,在深度学习预测性能上做进一步优化改进。引入多向延迟嵌入的张量处理技术MDT(Mutiway-delay-embedding),对每日股票因子向量进行因子重构,生成汉克尔矩阵,按时间方向并排形成汉克尔张量,作为深度学习模型的输入,该输入数据结构极大程度地保留了股指因子相关性信息。分别构建MDT-MLP、MDT-CNN、MDT-LSTM、MDT-Bi LSTM及MDT-CNN-LSTM混合模型。选取涉及22个行业的48家公司对后一天的股票收盘价进行预测实验,通过预测精度和时效性两个方面的对比,显示提出的方法表现优于其他模型,验证了引入MDT技术的有效性和可行性。
第二,结合MDT张量技术与传统滑动时间窗口技术,构建了MDT-Slide-CNNLSTM模型。对输入数据进行MDT变换构造成汉克尔张量,再对汉克尔张量进行Slide变换。即先按照模态3展开成二阶矩阵,该矩阵是由多个汉克尔矩阵竖向排列而成,确定滑动时间窗口参数t,将t个连续的汉克尔矩阵按时间拼接,形成新的样本数据,并在下一个汉克尔矩阵继续滑动,最终将新样本数据并行排列生成新的张量结构,该数据结构保留了股指时间序列的时间自相关性与因子相关性特征。再输入到CNN利用卷积与池化操作对股指时间自相关性与因子相关性信息进行特征提取与抽象,最后输入到LSTM进行关联预测。选取20个典型股票指数中的9个股指因子对后一天的股指收盘价进行预测,通过对比实验,验证了模型的有效性。
第三,为充分了解未来股票市场的变动情况,从而让股民有足够时间调整当前的投资策略。进行股票市场可变时间预测试验,即将预测标签设定为若干天后的收盘价,利用股票市场历史数据进行训练,从而得到几天后的预测值,帮助股民快速了解未来股市可能发生的状况。
综上所述,本文的创新点在于将MDT张量处理技术与深度学习模型相结合,改变原始数据的张量数据结构,应用于股价预测领域中,并进一步融合传统滑动时间窗口技术,构造新的张量数据结构以保留股价时间序列的时间自相关性与因子相关性特征,得到更为精准的预测效果。最后设计了股价可变时间预测实验,将预测间隔时间拉长,为股民了解未来股市的变动提供参考。