[论文解读] Risk Management via Anomaly Circumvent: Mnemonic Deep Learning for Midterm Stock Prediction

Xinyi Li, Yinchuan Li+2 more|arXiv (Cornell University)|Aug 3, 2019

Stock Market Forecasting Methods参考文献 22被引用 11

一句话总结

本文提出 Mid-LSTM，一种新颖的深度学习模型，通过整合 ARMA、CAPM 和隐马尔可夫模型，以规避市场异常，提升中期股票预测性能。在 S&P 500 数据的投资组合回测中，该模型实现 2–4% 的准确率提升，年化收益率高达 120.16%，夏普比率为 2.99。

ABSTRACT

Midterm stock price prediction is crucial for value investments in the stock market. However, most deep learning models are essentially short-term and applying them to midterm predictions encounters large cumulative errors because they cannot avoid anomalies. In this paper, we propose a novel deep neural network Mid-LSTM for midterm stock prediction, which incorporates the market trend as hidden states. First, based on the autoregressive moving average model (ARMA), a midterm ARMA is formulated by taking into consideration both hidden states and the capital asset pricing model. Then, a midterm LSTM-based deep neural network is designed, which consists of three components: LSTM, hidden Markov model and linear regression networks. The proposed Mid-LSTM can avoid anomalies to reduce large prediction errors, and has good explanatory effects on the factors affecting stock prices. Extensive experiments on S&P 500 stocks show that (i) the proposed Mid-LSTM achieves 2-4% improvement in prediction accuracy, and (ii) in portfolio allocation investment, we achieve up to 120.16% annual return and 2.99 average Sharpe ratio.

研究动机与目标

• 解决因市场异常导致的中期股票预测中累积误差问题。
• 开发一种深度学习模型，整合市场趋势与隐状态，以提升预测稳定性。
• 通过将金融理论（CAPM）与统计建模（ARMA）融入深度神经网络，降低投资风险。
• 通过揭示成交量和市场相关性等关键变量的影响，提升模型对量化分析师的可解释性。
• 在预测准确率与投资组合收益方面，显著优于传统方法。

提出的方法

• 构建一种中期 ARMA（Mid-ARMA）模型，整合股票成交量、市场指数及基于 CAPM 的相关性，以建模股票价格动态。
• 设计 Mid-LSTM，一种由三部分组成的深度神经网络，结合 LSTM 用于序列学习、HMM 用于隐状态检测，以及线性回归用于最终价格优化。
• 利用 LSTM 预测股票价格、成交量和市场指数序列，捕捉长期依赖关系。
• 应用 HMM 检测影响价格与成交量的潜在市场状态，实现异常检测与规避。
• 将 HMM 状态与相关性系数整合至线性回归层，结合金融理论优化预测结果。
• 在 S&P 500 数据上端到端训练模型，优化预测准确率与风险调整后收益。

实验结果

研究问题

• RQ1 深度学习模型能否通过检测并规避异常，有效减少中期股票预测中的累积误差？
• RQ2 将 CAPM 与 ARMA 整合进深度学习框架，如何提升预测准确率与模型鲁棒性？
• RQ3 HMM 组件在波动市场中对异常检测与模型稳定性提升的贡献程度如何？
• RQ4 Mid-LSTM 模型是否在预测准确率与投资组合表现方面均优于传统机器学习与深度学习基线模型？
• RQ5 市场相关性与成交量动态如何影响所提出模型的预测能力与风险管理能力？

主要发现

• Mid-LSTM 在 S&P 500 股票上的预测准确率相较于基线模型提升 2–4%。
• 在均值-方差投资组合配置中，Mid-LSTM 实现平均年化收益率 120.16%，夏普比率为 2.99。
• 模型在异常规避方面表现优异，尤其在与市场指数高度相关的股票中更为显著。
• Mid-LSTM 中的线性回归组件提供可解释的权重，使量化分析师能够评估隐性市场状态与成交量对价格的影响。
• 投资组合回测结果证实，基于 Mid-LSTM 的预测可带来显著更高的风险调整后收益，优于传统方法。
• 将 CAPM 与 ARMA 整合进深度学习框架，显著提升了模型的鲁棒性与金融可解释性。