[论文解读] A Study on Stock Forecasting Using Deep Learning and Statistical Models

Himanshu Gupta, Aditya Jaiswal|arXiv (Cornell University)|Feb 8, 2024

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

本研究评估了深度学习模型与统计模型（ARIMA、RNN、LSTM、CNN 和基于 WaveNet 的全连接 CNN）在 S&P 500 数据上的股票价格预测表现。以平均绝对误差（MAE）为主要指标，LSTM 模型在 30 天窗口下取得了最低的 MAE 值 1.18，优于所有其他模型，包括 ARIMA（MAE 2.8）和全连接 CNN（MAE 7.98）。

ABSTRACT

Predicting a fast and accurate model for stock price forecasting is been a challenging task and this is an active area of research where it is yet to be found which is the best way to forecast the stock price. Machine learning, deep learning and statistical analysis techniques are used here to get the accurate result so the investors can see the future trend and maximize the return of investment in stock trading. This paper will review many deep learning algorithms for stock price forecasting. We use a record of s&p 500 index data for training and testing. The survey motive is to check various deep learning and statistical model techniques for stock price forecasting that are Moving Averages, ARIMA which are statistical techniques and LSTM, RNN, CNN, and FULL CNN which are deep learning models. It will discuss various models, including the Auto regression integration moving average model, the Recurrent neural network model, the long short-term model which is the type of RNN used for long dependency for data, the convolutional neural network model, and the full convolutional neural network model, in terms of error calculation or percentage of accuracy that how much it is accurate which measures by the function like Root mean square error, mean absolute error, mean squared error. The model can be used to predict the stock price by checking the low MAE value as lower the MAE value the difference between the predicting and the actual value will be less and this model will predict the price more accurately than other models.

研究动机与目标

• 比较深度学习模型（LSTM、RNN、CNN、WaveNet）与统计模型（ARIMA、移动平均）在股票价格预测中的表现。
• 利用 MAE、RMSE 和 MSE 等定量误差指标，识别 S&P 500 指数预测中最准确的模型。
• 评估窗口大小与数据预处理对时间序列股票预测模型准确率的影响。
• 确定深度学习模型在波动性高、非平稳的金融时间序列中是否始终优于传统统计模型。

提出的方法

• 在历史 S&P 500 数据（开盘价、最高价、最低价、收盘价、成交量）上训练并测试了 ARIMA、RNN、LSTM、CNN 和全连接 CNN 模型。
• 对 LSTM 和 CNN 模型采用滑动窗口方法，设置 20 天与 30 天的窗口大小，以捕捉时间依赖性。
• 在全连接 CNN 模型中实现受 WaveNet 启发的架构，采用空洞卷积（空洞率分别为 1、2、4、8），以捕捉长期模式。
• 应用数据预处理技术，包括归一化与差分处理，以降低股票价格时间序列的非平稳性。
• 使用 MAE、RMSE 和 MSE 评估模型性能，较低的 MAE 值表示更高的预测准确性。
• 使用 Python 搭建模型，借助 NumPy、Keras、scikit-learn 和 matplotlib 实现模型开发、训练与可视化。

实验结果

研究问题

• RQ1 在 S&P 500 股票价格预测中，统计模型（ARIMA）与深度学习模型（LSTM、RNN、CNN）中，哪一模型的平均绝对误差（MAE）最低？
• RQ2 窗口大小（20 天 vs. 30 天）如何影响 LSTM 和 CNN 模型在预测股票价格时的表现？
• RQ3 基于 WaveNet 的全连接 CNN 模型是否在捕捉股票数据的时间模式方面优于标准预处理后的 CNN 模型？
• RQ4 RNN 变体（序列到向量 vs. 序列到序列）在金融时间序列预测中的准确性如何比较？
• RQ5 与朴素模型和移动平均基线相比，深度学习模型在多大程度上降低了预测误差？

主要发现

• LSTM 模型在 30 天窗口下取得最低的 MAE 值 1.18，优于所有其他测试模型，包括 ARIMA（MAE 2.8）。
• 全连接 CNN 模型（MAE 7.98）显著优于预处理后的标准 CNN 模型（MAE 12.65），证明了 WaveNet 架构的有效性。
• 序列到序列 RNN 模型的 MAE 为 4.19，低于序列到向量 RNN 模型的 MAE 23.07，表明其在长期依赖性学习方面表现更优。
• ARIMA 模型表现尚可，MAE 为 2.8，但被所有深度学习模型超越，尤其是 LSTM 模型。
• 朴素模型（使用前一日价格）作为强基线，但所有深度学习模型均在此基础上实现了性能提升。
• LSTM 模型能够有效捕捉噪声大、非平稳的股票数据中的长期依赖性与非线性模式，因此在各项指标上均表现卓越。