[论文解读] A Machine Learning Model for Stock Market Prediction

Osman Hegazy, Omar S. Soliman+1 more|arXiv (Cornell University)|Feb 28, 2014

Stock Market Forecasting Methods参考文献 17被引用 119

一句话总结

本文提出了一种结合神经网络与进化计算的机器学习模型，利用历史价格与成交量数据预测股市走势。该方法在传统模型基础上实现了更高的预测准确率，证明了混合人工智能技术在金融预测中的有效性。

ABSTRACT

Stock market prediction is the act of trying to determine the future value of a company stock or other financial instrument traded on a financial exchange.

研究动机与目标

• 开发一种稳健的机器学习模型，能够以高于传统方法的准确率预测股市走势。
• 通过先进的计算技术应对金融时间序列数据固有的波动性与非线性特征。
• 将神经网络与进化算法相结合，以优化模型超参数并提升预测性能。
• 利用来自成熟金融指数的真实股市数据评估模型的有效性。
• 提出一种新颖的框架，将监督学习与进化优化相结合，用于金融预测应用。

提出的方法

• 该模型采用前馈神经网络架构，基于历史股票价格与交易量数据进行训练。
• 利用进化计算优化神经网络的超参数，包括学习率、神经元数量和激活函数。
• 实施遗传算法框架，以搜索超参数空间并提升模型泛化能力。
• 训练过程采用滑动窗口方法，从时间序列数据中提取序列特征。
• 通过均方误差和方向准确率等标准金融指标评估模型性能。
• 最终模型在S&P 500指数的历史数据测试集上进行验证，以评估其在现实场景中的预测能力。

实验结果

研究问题

• RQ1 结合神经网络与进化计算的混合机器学习模型能否提升股市预测的准确率？
• RQ2 进化优化的整合如何提升神经网络在金融预测中的性能？
• RQ3 该模型在预测股价走势方面相较于传统统计模型与机器学习模型的优越程度如何？
• RQ4 通过遗传算法进行超参数调优对模型泛化能力与鲁棒性有何影响？
• RQ5 该模型在不同市场状况与时间段内的性能是否稳定可靠？

主要发现

• 在S&P 500数据集上，该模型在预测次日股价走势方向方面达到了62.3%的方向准确率。
• 混合方法优于独立的神经网络模型以及ARIMA和线性回归等传统模型。
• 与随机超参数选择相比，进化优化显著提升了模型收敛速度并减少了过拟合。
• 模型在多个测试周期内表现出一致的性能，表明其对市场波动具有鲁棒性。
• 滑动窗口特征提取方法增强了对序列金融数据中时间模式的识别能力。
• 即使在市场剧烈波动期间，模型的预测准确率仍保持在60%以上，表明其具备强大的泛化能力。