[论文解读] Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction

Kunal Bhardwaj|arXiv (Cornell University)|Jun 3, 2021

Stock Market Forecasting Methods参考文献 19被引用 5

一句话总结

本文提出一种使用TensorFlow的Conv1D的1D卷积神经网络（CNN），基于2013–2016年NIFTY 50分钟级价格数据预测股票价格走势（上涨/下跌）。尽管召回率较高（>0.95），但模型在精确率（≥0.5）和F1分数（>0.65）方面表现欠佳，表明其在准确预测价格下跌方面存在困难，可能由于未能有效捕捉下跌趋势。

ABSTRACT

With technological advancements and the exponential growth of data, we have been unfolding different capabilities of neural networks in different sectors. In this paper, I have tried to use a specific type of Neural Network known as Convolutional Neural Network(CNN/ConvNet) in the stock market. In other words, I have tried to construct and train a convolutional neural network on past stock prices data and then tried to predict the movement of stock price i.e. whether the stock price would rise or fall, in the coming time.

研究动机与目标

• 探究使用1D卷积神经网络从时间序列价格数据中预测股票价格方向（上涨或下跌）的可行性。
• 使用标准分类指标（准确率、精确率、召回率、F1分数）在未见测试数据上评估模型性能。
• 识别模型在捕捉下跌价格趋势方面的能力局限，尽管其在检测上涨走势方面表现强劲。
• 通过网络架构改进、特征工程或采用其他深度学习模型，探索潜在的性能提升方法。

提出的方法

• 在2013年4月至2016年9月的分钟级历史股票价格数据上，使用TensorFlow的Conv1D层训练1D CNN。
• 采用最大池化操作以降低维度，同时保留关键特征并减少参数量。
• 应用Dropout和早停策略以在训练过程中减轻过拟合。
• 在卷积层和池化层之后使用全连接层生成最终预测结果。
• 通过反向传播和随机梯度下降优化模型权重，以最小化损失函数。
• 在保留的测试集上使用准确率、精确率、召回率和F1分数评估模型性能。

实验结果

研究问题

• RQ1 1D CNN能否有效学习股票价格时间序列中的时间模式，以预测价格走势方向？
• RQ2 模型在预测价格上涨与下跌时的性能表现有何差异？
• RQ3 在该金融时间序列设置中，正则化技术（如Dropout和早停）在多大程度上能有效防止过拟合？
• RQ4 仅使用CNN架构在股票价格方向预测中存在哪些局限性？
• RQ5 架构选择（如卷积核大小、层数等）对预测性能有何影响？

主要发现

• 模型召回率超过0.95，表明其在检测股价上涨方面能力出色。
• 精确率保持在0.5以上，表明正向预测具有中等可靠性，但未达最优。
• F1分数超过0.65，表明精确率与召回率的调和平均值较为平衡，但不够理想。
• 训练集与测试集的准确率均超过0.5，证实模型具备基本的预测能力。
• 模型在预测价格下跌方面表现不佳，表现为真正例率低且假正例率高。
• 当训练超过25个周期且未启用早停时，出现过拟合现象，测试损失在初始下降后开始回升。