[论文解读] A Deep Learning Framework for Pricing Financial Instruments

Qiong Wu, Zheng Zhang+3 more|arXiv (Cornell University)|Jan 1, 2019

Stock Market Forecasting Methods参考文献 42被引用 6

一句话总结

本文提出了一种深度学习框架，整合技术面指标、金融新闻和截面信号以预测股票价格走势，采用基于图的架构高效建模跨资产互动关系，避免过拟合。该模型在泛化能力上优于线性基线模型，计算成本更低，在多个交易模拟器中均展现出更高的预测准确率和收益表现。

ABSTRACT

We propose an integrated deep learning architecture for the stock movement prediction. Our architecture simultaneously leverages all available alpha sources. The sources include technical signals, financial news signals, and cross-sectional signals. Our architecture possesses three main properties. First, our architecture eludes overfitting issues. Although we consume a large number of technical signals but has better generalization properties than linear models. Second, our model effectively captures the interactions between signals from different categories. Third, our architecture has low computation cost. We design a graph-based component that extracts cross-sectional interactions which circumvents usage of SVD that's needed in standard models. Experimental results on the real-world stock market show that our approach outperforms the existing baselines. Meanwhile, the results from different trading simulators demonstrate that we can effectively monetize the signals.

研究动机与目标

• 开发一种统一的深度学习架构，整合多样化因子来源——技术指标、金融新闻和截面信号，以提升股票价格走势预测能力。
• 解决在使用大量技术信号时常见的过拟合问题，尤其与线性模型相比。
• 在不依赖计算成本高昂的方法（如SVD）的前提下，有效建模不同类别信号之间的复杂交互关系。
• 通过用基于图的组件替代SVD，降低建模截面关系的计算成本。
• 通过在多个交易模拟器中回测，证明模型具备生成具有经济意义因子的能力。

提出的方法

• 该框架采用多流输入处理管道，分别对技术信号、金融新闻嵌入向量和截面数据进行编码。
• 引入基于图的神经网络组件，用于建模截面信号之间的交互关系，替代传统的SVD分解方法以提升效率。
• 通过可学习的注意力机制或拼接操作，融合三类信号的表示，实现联合学习。
• 采用随机梯度下降优化预测损失函数，实现端到端训练。
• 应用正则化技术（如dropout和权重衰减），以缓解高维信号输入带来的过拟合风险。
• 模型架构设计注重参数效率，在保持高预测性能的同时最小化推理成本。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效整合异构因子来源——技术面指标、新闻信息和截面信号，形成单一预测模型？
• RQ2 所提出的基于图的组件在建模截面交互关系方面，是否在计算效率和预测准确率上优于传统的SVD方法？
• RQ3 当面对大量技术指标时，该模型在泛化能力上是否显著优于线性模型？
• RQ4 该模型的预测结果是否能在不同市场环境下的多个模拟交易环境中实现有效收益转化？
• RQ5 跨类别信号之间的交互作用在多大程度上提升了股票价格走势预测性能，超越单一信号的表现？

主要发现

• 尽管使用了大量技术信号，该模型仍展现出优于线性模型的泛化能力，表明其有效缓解了过拟合问题。
• 基于图的组件成功捕捉了截面信号间的交互关系，且无需依赖SVD，计算成本显著低于标准模型。
• 在真实市场数据上，该模型在股票价格走势预测准确率方面优于现有基线方法。
• 在多个交易模拟器上的回测结果表明，该模型能生成具有显著经济意义的alpha，验证了其对集成信号的有效收益转化能力。
• 多类信号的融合显著提升了预测性能，凸显了建模跨类别信号交互关系的重要性。