[论文解读] News-Driven Stock Prediction With Attention-Based Noisy Recurrent State Transition
本文提出 ANRES，一种基于注意力机制的噪声递归状态转移模型，通过整合新闻事件影响与随机噪声，显式建模潜在股票价值动态，利用基于LSTM的递归状态实现。在基准数据集上，其性能优于强基线模型，达到最先进水平，同时通过注意力可视化提升了可解释性。
We consider direct modeling of underlying stock value movement sequences over time in the news-driven stock movement prediction. A recurrent state transition model is constructed, which better captures a gradual process of stock movement continuously by modeling the correlation between past and future price movements. By separating the effects of news and noise, a noisy random factor is also explicitly fitted based on the recurrent states. Results show that the proposed model outperforms strong baselines. Thanks to the use of attention over news events, our model is also more explainable. To our knowledge, we are the first to explicitly model both events and noise over a fundamental stock value state for news-driven stock movement prediction.
研究动机与目标
- 建模股票内在价值随时间的连续演化过程，而非将价格变动视为独立事件。
- 显式分离并建模新闻事件与随机噪声对股票价格转移的影响。
- 通过在新闻事件上应用注意力机制，突出有影响力的新闻故事，提升新闻驱动股票预测的可解释性。
- 利用带有窥孔连接的LSTM，将新闻影响与随机噪声统一整合到递归状态转移框架中。
- 仅使用新闻输入实现个股走势预测，无需依赖历史价格数据。
提出的方法
- 模型使用带有窥孔连接的LSTM维护一个随时间演化的基础股票价值状态。
- 通过神经注意力机制聚合新闻事件表征，计算其对递归状态转移的影响。
- 通过随机采样显式建模独立的噪声分量，使模型能够考虑情绪、预期以及随机市场波动。
- 模型集成一个未来事件预测模块，该模块基于历史‘未来’数据进行训练，以预测可能的后续事件及其后果。
- 整个系统直接从新闻输入端到端训练，以预测股票价格变动，不使用历史价格序列作为输入。
- 通过可视化注意力权重提供可解释性，展示在每个时间步哪些过往新闻事件对预测影响最大。
实验结果
研究问题
- RQ1建模过去与未来股票价值变动之间的连续相关性，是否能提升新闻驱动股票预测的准确性？
- RQ2显式建模噪声与新闻事件并行，对模型的鲁棒性与性能有何影响？
- RQ3在股票预测任务中，对新闻事件应用注意力机制在多大程度上能提升模型可解释性？
- RQ4引入未来事件预测模块是否能增强模型预测市场走势的能力？
- RQ5基于递归状态的方法是否能优于将每次预测视为独立事件的现有分类模型？
主要发现
- ANRES 模型在基准数据集上达到最先进性能，其准确率与 Matthews 相关系数（MCC）均优于强基线模型。
- 在个股预测中，仅使用公司特定新闻即可获得显著更优结果（如苹果公司准确率达 69.21%），而行业级或全部新闻输入表现更差，表明无关新闻会损害性能。
- 注意力可视化显示，模型倾向于过度关注新出现的新闻事件，当事件影响被误判时，可能导致错误预测。
- 模型成功捕捉了时间窗口内多个新闻事件的非线性、组合性影响，从而更好地建模复杂市场动态。
- 引入噪声分量提升了泛化能力，减少了对数据中外部因素与随机波动的过拟合。
- 未来事件预测模块使模型能够考虑可能的后续事件，实现一种间接的内幕交易因素建模。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。