[论文解读] Stock Prices Prediction using Deep Learning Models

Jialin Liu, Fei Chao+2 more|arXiv (Cornell University)|Sep 25, 2019

Stock Market Forecasting Methods参考文献 31被引用 18

一句话总结

本文提出了一种结合一维残差卷积自编码器（C1D-VAE）与LSTM网络的深度学习框架，以提升股票价格预测的准确性。通过去噪金融时间序列数据并预测价格变动率（ROC）而非绝对价格，该模型在基线方法上实现了显著更高的预测精度，基于ROC的预测使MAPE降低最高达30%，并在多个全球股指上提升了相关系数与Theil's U统计量。

ABSTRACT

Financial markets have a vital role in the development of modern society. They allow the deployment of economic resources. Changes in stock prices reflect changes in the market. In this study, we focus on predicting stock prices by deep learning model. This is a challenge task, because there is much noise and uncertainty in information that is related to stock prices. So this work uses sparse autoencoders with one-dimension (1-D) residual convolutional networks which is a deep learning model, to de-noise the data. Long-short term memory (LSTM) is then used to predict the stock price. The prices, indices and macroeconomic variables in past are the features used to predict the next day's price. Experiment results show that 1-D residual convolutional networks can de-noise data and extract deep features better than a model that combines wavelet transforms (WT) and stacked autoencoders (SAEs). In addition, we compare the performances of model with two different forecast targets of stock price: absolute stock price and price rate of change. The results show that predicting stock price through price rate of change is better than predicting absolute prices directly.

研究动机与目标

• 解决金融时间序列中噪声与非线性问题对股票价格预测带来的挑战。
• 提升高维、高波动性股票数据中的特征提取与噪声抑制能力。
• 探究预测价格变动率（ROC）是否优于直接预测绝对价格，从而获得更优性能。
• 开发一种集成去噪自编码器与LSTM序列建模的深度学习模型，以增强预测能力。
• 通过标准指标在多种全球股票指数上验证模型性能。

提出的方法

• 模型使用一维残差卷积神经网络（C1D-VAE）学习原始股票价格序列的分层去噪表示。
• 对一维特征图应用稀疏自编码器，以进一步降低维度并抑制噪声。
• 将去噪后的特征输入长短期记忆（LSTM）网络，进行序列建模与未来价格预测。
• 对比两种预测目标：直接预测次日绝对价格与通过价格变动率（ROC）间接预测。
• 采用均方误差损失函数进行端到端训练，输入特征包括历史价格、指数与宏观经济变量。
• 通过MAPE、Theil's U统计量以及预测值与实际值之间的相关系数评估性能。

实验结果

研究问题

• RQ1 一维残差卷积自编码器能否有效对噪声金融时间序列进行去噪并提取深层特征？
• RQ2 预测股票价格变动率是否能带来优于直接预测绝对价格的预测精度？
• RQ3 所提出的C1D-VAE + LSTM模型相较于小波-SAE + LSTM基线模型，在多个全球股指上的预测精度如何？
• RQ4 通过ROC引入价格动态先验知识，在多大程度上提升了模型的泛化能力与鲁棒性？
• RQ5 该模型能否在具有不同波动性与趋势的多样化金融市场中保持高性能？

主要发现

• C1D-VAE + LSTM模型在所有测试股指（包括CSI 300、Nifty 50与S&P 500）上均表现出低于小波-SAE + LSTM基线的平均绝对百分比误差（MAPE）。
• 通过预测价格变动率（ROC）获得的性能显著优于直接预测绝对价格，S&P 500指数的MAPE最高降低30%。
• 基于ROC的模型预测值与实际价格之间的相关系数更高（如S&P 500为0.973），而直接预测模型的相关系数为0.955。
• Theil's U统计量在ROC模型中更低（如S&P 500为0.005），而直接预测模型为0.007，表明ROC模型具有更优的预测精度。
• 预测的ROC曲线与实际价格走势高度吻合，尤其在波动剧烈时期，其偏差远小于直接预测模型。
• 该模型在六个主要全球股指（包括Nikkei 225与DJIA）上表现出稳健性能，所有评估指标均持续提升。