[论文解读] Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network

Xing Wang, Yijun Wang+2 more|arXiv (Cornell University)|Sep 29, 2020

Stock Market Forecasting Methods被引用 6

一句话总结

本文提出 Stock2Vec，一种混合深度学习框架，结合股票关系的表征学习与时间卷积网络（TCN），用于预测标普500指数股票价格。通过学习实体嵌入（Stock2Vec）并利用一维空洞因果卷积捕捉跨股票的长期时间模式，该模型在预测准确度上优于随机森林、XGBoost 和 LSTM 等基准模型，同时更好地捕捉市场趋势与波动性。

ABSTRACT

We have proposed to develop a global hybrid deep learning framework to predict the daily prices in the stock market. With representation learning, we derived an embedding called Stock2Vec, which gives us insight for the relationship among different stocks, while the temporal convolutional layers are used for automatically capturing effective temporal patterns both within and across series. Evaluated on S&P 500, our hybrid framework integrates both advantages and achieves better performance on the stock price prediction task than several popular benchmarked models.

研究动机与目标

• 开发一种全局深度学习框架，联合建模横截面股票关系与时间价格动态，以提升股票预测性能。
• 学习一种分布式表征（Stock2Vec），基于历史价格数据捕捉股票之间的内在关系。
• 利用时间卷积网络（TCN）自动提取多只股票间复杂的时间模式。
• 解决孤立股票建模与树基集成方法在捕捉长期依赖关系与全市场趋势方面的局限性。
• 通过利用市场范围相关模式的知识迁移，实现对冷启动股票的更好处理。

提出的方法

• 该框架使用实体嵌入（Stock2Vec）基于股票的收益模式学习低维股票表征，捕捉类似于自然语言处理中词嵌入的隐式关系。
• 采用具有空洞因果卷积的时间卷积网络（TCN），对所有标普500只股票的价格序列中的长程时间依赖关系进行建模。
• 模型端到端训练以预测每日股票价格，其中 TCN 组件学习自回归特征及市场范围内的共享时间因子。
• Stock2Vec 通过历史收益率序列上的对比学习目标进行训练，使模型能够推断股票之间的结构相似性。
• 混合架构将 Stock2Vec 嵌入作为输入特征输入 TCN，使网络能够联合学习横截面与时间模式。
• 模型在标普500数据上进行评估，性能与基于随机森林、XGBoost 和 LSTM 的基线模型进行比较，使用标准回归指标。

实验结果

研究问题

• RQ1 能否通过一种联合学习股票关系与时间动态的全局深度学习模型，提升对孤立或树基模型的股票价格预测性能？
• RQ2 表征学习（Stock2Vec）在多大程度上能捕捉从原始价格数据中不明显的股票内在关系？
• RQ3 TCN 组件在捕捉股票价格序列中长期非线性时间模式方面，与 RNN 相比表现如何？
• RQ4 该全局模型能否通过利用市场范围相关性，有效处理历史数据有限的冷启动股票？
• RQ5 同时整合横截面（类似贝塔）与时间（类似阿尔法）学习是否能提升预测准确度与趋势检测能力？

主要发现

• TCN-Stock2Vec 模型在预测每日股票价格方面表现优于随机森林、XGBoost 和基于 LSTM 的模型，整体预测误差更低。
• Stock2Vec 嵌入有效捕捉了股票间的潜在关系，使模型在泛化能力上优于仅依赖单个股票特征的模型。
• TCN 组件成功学习了价格数据中的复杂非线性趋势与季节性，而无需人工设计的技术指标。
• 树基模型（随机森林、XGBoost）即使在大规模集成下，仍因过拟合与分裂数不足，表现出滞后预测与平坦预测期。
• 通过学习整个市场范围内的共享时间模式，混合模型减少了预测中的剧烈振荡，从而实现更稳定且准确的预测。
• 全局建模方法通过利用相关股票与市场范围模式的知识迁移，实现了有效的冷启动预测。