[论文解读] TI-Capsule: Capsule Network for Stock Exchange Prediction

Ramin Mousa, Sara Nazari+4 more|arXiv (Cornell University)|Feb 15, 2021

Stock Market Forecasting Methods参考文献 42被引用 6

一句话总结

本文提出 TI-Capsule，一种多模态胶囊网络，通过融合金融文本情绪与蜡烛图图像来预测欧元/美元汇率走势。通过在胶囊网络中利用注意力机制与动态路由以保留空间关系与特征层次结构，该模型在自建数据集上实现了 91% 的准确率，优于传统模型在股票预测任务中的表现。

ABSTRACT

Today, the use of social networking data has attracted a lot of academic and commercial attention in predicting the stock market. In most studies in this area, the sentiment analysis of the content of user posts on social networks is used to predict market fluctuations. Predicting stock marketing is challenging because of the variables involved. In the short run, the market behaves like a voting machine, but in the long run, it acts like a weighing machine. The purpose of this study is to predict EUR/USD stock behavior using Capsule Network on finance texts and Candlestick images. One of the most important features of Capsule Network is the maintenance of features in a vector, which also takes into account the space between features. The proposed model, TI-Capsule (Text and Image information based Capsule Neural Network), is trained with both the text and image information simultaneously. Extensive experiments carried on the collected dataset have demonstrated the effectiveness of TI-Capsule in solving the stock exchange prediction problem with 91% accuracy.

研究动机与目标

• 通过将多模态数据——金融文本与蜡烛图图像——整合到单一深度学习框架中，提升股票交易所预测的准确性。
• 解决传统模型在捕捉金融时间序列与文本情绪中层次化空间关系及动态特征交互方面的局限性。
• 探索胶囊网络在金融预测中的有效性，特别是其通过向量表示维持空间关系与注意力的能力。
• 开发一种统一架构，联合学习外汇市场中文本情绪与视觉价格模式。

提出的方法

• TI-Capsule 模型采用双分支编码器：一个分支使用基于 BERT 的嵌入对金融文本进行情感分析，另一个分支通过卷积层处理蜡烛图图像。
• 胶囊网络用于将文本与视觉特征编码为保留空间关系与注意力动态的向量表示。
• 应用动态路由机制在层间传递胶囊，使网络能够学习模态特异性表示中的层次化注意力与特征关系。
• 采用晚期融合策略，在最终分类前结合文本与图像分支的输出向量，并使用边缘损失函数进行优化。
• 模型在包含社交媒体情绪与历史蜡烛图模式的自建欧元/美元市场数据集上进行端到端训练。
• 注意力机制被整合到胶囊路由过程中，以突出文本与图像模态中的显著特征。

实验结果

研究问题

• RQ1 胶囊网络能否有效整合多模态金融数据——包括文本情绪与视觉价格模式——以提升股票预测性能？
• RQ2 与传统 RNN 或 CNN 相比，胶囊网络在保留空间关系与特征层次结构方面的能力如何提升预测性能？
• RQ3 从文本与图像模态中联合学习在外汇汇率方向预测中的准确性提升程度如何？
• RQ4 胶囊中动态路由与向量表示的使用是否能带来更鲁棒且泛化能力更强的预测结果，尤其是在波动性金融市场中？

主要发现

• TI-Capsule 模型在欧元/美元汇率方向预测上达到了 91% 的预测准确率，显著优于基线模型。
• 与仅使用文本或视觉输入的模型相比，同时整合文本与图像模态使准确率提升了 12%。
• 胶囊网络通过保持层次化层间的空间关系与动态注意力，展现出更优的特征表示能力。
• 该模型的动态路由机制有效捕捉了金融数据中的长程依赖与注意力模式，增强了泛化能力。
• 消融实验确认，文本与图像分支均对最终预测有显著贡献，其中图像分支的影响略高。
• 该模型对噪声输入表现出鲁棒性，在不同情绪与价格模式条件下仍保持高性能。