[论文解读] Stock Market Trend Analysis Using Hidden Markov Model and Long Short Term Memory

Mingwen Liu, Junbang Huo+2 more|arXiv (Cornell University)|Apr 20, 2021

Stock Market Forecasting Methods参考文献 2被引用 7

一句话总结

本文提出一种混合模型，将隐马尔可夫模型（HMM）与长短期记忆（LSTM）网络结合，用于股票市场趋势预测。该研究评估了四种变体——GMM-HMM、XGB-HMM、GMM-HMM+LSTM 和 XGB-HMM+LSTM——采用三重屏障法对趋势进行标注，并使用评分函数选择特征。XGB-HMM+LSTM 模型在测试集上达到最高的准确率 80.70%，表现出在预测市场方向方面的优越性能。

ABSTRACT

This paper intends to apply the Hidden Markov Model into stock market and and make predictions. Moreover, four different methods of improvement, which are GMM-HMM, XGB-HMM, GMM-HMM+LSTM and XGB-HMM+LSTM, will be discussed later with the results of experiment respectively. After that we will analyze the pros and cons of different models. And finally, one of the best will be used into stock market for timing strategy.

研究动机与目标

• 通过将 HMM 与深度学习模型（如 LSTM）结合，提升股票市场趋势预测能力。
• 评估并比较四种混合模型（GMM-HMM、XGB-HMM、GMM-HMM+LSTM 和 XGB-HMM+LSTM）的性能。
• 基于准确率、熵和状态权重的评分函数，开发一种特征选择策略，以识别最具信息量的市场指标。
• 将表现最佳的模型应用于基于丰原药业和天士力历史股价数据的真实世界择时策略。

提出的方法

• 采用三重屏障法对股票价格波动进行标注：若首先触及上侧止盈屏障，则标记为 +1；若首先触及下侧止损屏障，则标记为 -1；若在时间到期屏障前未触及任何边界，则标记为 0。
• 提取并评估八类特征（市场、质量、风险、价值、情绪、指数、动量、上涨）的评分函数，该函数综合了状态准确率、熵和状态频率。
• 分别对每类特征训练 GMM-HMM 和 XGB-HMM 模型，生成每个时间步的隐状态概率矩阵（state_proba）。
• 将八类特征生成的所有 state_proba 矩阵拼接，形成 LSTM 模型的输入 X，LSTM 学习将隐状态映射到未来价格方向标签。
• LSTM 在拼接后的状态概率（X）和对应标签（Y）上进行训练，最终输出为预测的趋势方向。
• 通过测试集准确率评估模型性能，并对超参数进行调优以优化泛化能力。

实验结果

研究问题

• RQ1 与独立模型相比，HMM 与 LSTM 的结合在多大程度上提升了股票价格趋势预测性能？
• RQ2 基于准确率、熵和状态权重的综合评分函数，哪种特征选择方法能为 LSTM 提供最具预测力的输入？
• RQ3 在未见数据上的测试准确率方面，GMM-HMM+LSTM 与 XGB-HMM+LSTM 的性能指标有何差异？
• RQ4 XGB-HMM 模型是否在捕捉市场制度转换方面优于 GMM-HMM？若是，原因是什么？

主要发现

• XGB-HMM+LSTM 模型达到最高的测试准确率 80.699%，显著优于 GMM-HMM+LSTM 模型的 76.161% 准确率。
• XGB-HMM 模型在泛化能力上优于 GMM-HMM，测试准确率达到 87%，而 GMM-HMM 在训练集上的准确率为 83%。
• 评分函数有效优先选择了对预测能力贡献最大的特征，如对数收益率、波动率比率和市净率。
• LSTM 在拟合状态概率到标签映射方面优于 XGBoost，表明其在建模 HMM 状态序列的时间依赖性方面具有更强能力。
• 三重屏障法成功编码了价格方向变动，实现了在不同时间跨度下趋势事件的一致标注。
• 采用 XGB-HMM 提取潜在状态、LSTM 建模其时间演化的模型架构，在金融时间序列预测中表现出稳健且高效的特点。