[论文解读] Deep learning models for price forecasting of financial time series: A review of recent advancements: 2020-2022

Cheng Zhang, Nilam Nur Amir Sjarif+1 more|arXiv (Cornell University)|Apr 21, 2023

Stock Market Forecasting Methods参考文献 120被引用 7

一句话总结

本文综述了2020至2022年间深度学习模型在金融时间序列价格预测中的最新进展，重点关注Transformer、GAN、GNN和DQNN。它评估了模型架构、应用场景及权衡，提供了关于点预测与区间预测、集成可靠性以及数据量影响的见解，为量化金融与机器学习领域的研究人员和从业者提供全面指南。

ABSTRACT

Accurately predicting the prices of financial time series is essential and challenging for the financial sector. Owing to recent advancements in deep learning techniques, deep learning models are gradually replacing traditional statistical and machine learning models as the first choice for price forecasting tasks. This shift in model selection has led to a notable rise in research related to applying deep learning models to price forecasting, resulting in a rapid accumulation of new knowledge. Therefore, we conducted a literature review of relevant studies over the past three years with a view to aiding researchers and practitioners in the field. This review delves deeply into deep learning-based forecasting models, presenting information on model architectures, practical applications, and their respective advantages and disadvantages. In particular, detailed information is provided on advanced models for price forecasting, such as Transformers, generative adversarial networks (GANs), graph neural networks (GNNs), and deep quantum neural networks (DQNNs). The present contribution also includes potential directions for future research, such as examining the effectiveness of deep learning models with complex structures for price forecasting, extending from point prediction to interval prediction using deep learning models, scrutinising the reliability and validity of decomposition ensembles, and exploring the influence of data volume on model performance.

研究动机与目标

• 提供2020至2022年应用于金融时间序列价格预测的深度学习模型的全面综述。
• 分析Transformer、GAN、GNN和DQNN等先进深度学习模型的架构设计、实际实现及性能对比。
• 评估这些模型在金融预测场景中的优势与局限性。
• 识别关键研究空白，并提出未来研究方向，包括区间预测、集成可靠性及数据量影响。

提出的方法

• 对2020至2022年间发表于统计金融、机器学习和人工智能领域的同行评审研究进行系统性文献综述。
• 根据其在金融时间序列预测中的应用，对深度学习架构进行分类与分析。
• 通过预测精度、在波动市场中的鲁棒性与泛化能力等关键指标，评估模型性能。
• 综合分析基于分解的集成方法、Transformer中的注意力机制、GAN中的对抗训练以及GNN中的图建模。
• 评估新兴趋势，包括将量子启发神经网络（DQNN）集成到金融预测中。
• 通过批判性分析报告结果与实验设置，识别方法论挑战与开放问题。

实验结果

研究问题

• RQ1 2020至2022年间，深度学习模型在金融时间序列价格预测中的应用如何演变？
• RQ2 在预测金融资产价格方面，Transformer、GAN、GNN和DQNN的相对优势与劣势是什么？
• RQ3 基于分解的集成方法在金融时间序列预测中在多大程度上提升了预测的可靠性和有效性？
• RQ4 数据量在多大程度上影响深度学习模型在金融预测任务中的性能与泛化能力？
• RQ5 从点预测向区间或概率预测提升金融预测的新兴研究方向是什么？

主要发现

• Transformer在捕捉金融时间序列中的长程依赖关系方面表现优异，尤其得益于自注意力机制。
• 生成对抗网络（GAN）已成功应用于生成合成数据与波动率建模，在低数据环境下提升了模型鲁棒性。
• 图神经网络（GNN）能有效建模资产间依赖关系与市场网络结构，从而增强多资产预测能力。
• 深度量子神经网络（DQNN）代表了一个新兴但前景广阔的领域，但由于硬件限制与可扩展性问题，实证验证仍有限。
• 基于信号分解的集成方法（如EMD、VMD）显示出预测稳定性的提升，但其可靠性和有效性仍需进一步检验。
• 从点预测向区间预测与概率预测发展的趋势日益明显，深度学习模型正越来越多地支持不确定性量化。