深度學(xué)習(xí)在股市的應(yīng)用概述
【導(dǎo)讀】大家好，我是泳魚。一個(gè)樂于探索和分享AI知識(shí)的碼農(nóng)！
股票市場預(yù)測由于其非線性、高度波動(dòng)性和復(fù)雜性，一直是個(gè)復(fù)雜的問題。近年來，深度學(xué)習(xí)在許多領(lǐng)域占據(jù)了主導(dǎo)地位，在股市預(yù)測方面取得了巨大的 成功 和普及。 本文以深度學(xué)習(xí)技術(shù)為重點(diǎn)，對(duì)其應(yīng)用于股市預(yù)測研究進(jìn)行結(jié)構(gòu)化和全面的概述，介紹了股市預(yù)測的四個(gè)子任務(wù)及股市預(yù)測主流模型 ，并分享了一些關(guān)于股市預(yù)測的新觀點(diǎn)及未來的幾個(gè)方向 。
對(duì)量化投資、程序化交易有興趣的同學(xué)，可添加Ai_Algorithms開通量化~
1 股市預(yù)測任務(wù)
股市預(yù)測任務(wù)圍繞股票市場預(yù)測的過程展開的，包括股票走勢預(yù)測、股票價(jià)格預(yù)測、投資組合管理、交易策略。
1.1 股價(jià)預(yù)測
根據(jù)時(shí)間序列數(shù)據(jù)預(yù)測股票價(jià)格，以揭示未來市場價(jià)值，并實(shí)現(xiàn)投資收益最大化。在預(yù)測過程中，各種因素，包括心理因素以及理性和非理性行為，都會(huì)對(duì)結(jié)果產(chǎn)生影響。這些因素共同作用，使得股票價(jià)格具有高度動(dòng)態(tài)和波動(dòng)性。 擴(kuò)展閱讀： 一文詳解RNN及股票預(yù)測實(shí)戰(zhàn)(Python)！
1.2 股票趨勢預(yù)測
股票趨勢預(yù)測通常將股票走勢分為上漲、下跌和橫盤。該任務(wù)通過分析股票在特定交易日期間調(diào)整后收盤價(jià)之間的差異來形式化。
1.3 投資組合管理
投資組合管理涉及對(duì)一系列投資的戰(zhàn)略選擇和監(jiān)督，以實(shí)現(xiàn)財(cái)務(wù)目標(biāo)。投資組合管理的目標(biāo)是以最大化回報(bào)同時(shí)最小化風(fēng)險(xiǎn)的方式分配資源。
1.4 交易策略
交易策略是一套預(yù)先確定的準(zhǔn)則和標(biāo)準(zhǔn)，用于做出交易決策，是買賣股票的系統(tǒng)方法。該策略可能簡單或復(fù)雜，涉及投資風(fēng)格（例如，價(jià)值&增長）、市值、技術(shù)指標(biāo)、基本面分析、投資組合多樣化水平、風(fēng)險(xiǎn)承受能力和杠桿等因素。
在利用深度學(xué)習(xí)的股市預(yù)測任務(wù)中，常見的交易策略主要包括事件驅(qū)動(dòng)、交易數(shù)據(jù)驅(qū)動(dòng)和策略優(yōu)化。
圖1 處理框架
圖1顯示了基于深度學(xué)習(xí)的方法進(jìn)行股票市場預(yù)測的過程。首先是處理輸入數(shù)據(jù)，包括股票數(shù)據(jù)、圖表和文本；然后提取股票特征；后續(xù)將提取的特征輸入到深度學(xué)習(xí)模型中進(jìn)行訓(xùn)練；最后分析訓(xùn)練得到的模型效果。
2 股市預(yù)測主流 模型
股票市場預(yù)測常用模型 包括基于RNN的模型、基于GNN的模型，基于CNN的模型、強(qiáng)化學(xué)習(xí)模型、基于Transformer的模型以及一些其他創(chuàng)新方法（如圖2）。圖3展示了用于股票市場預(yù)測的主流深度學(xué)習(xí)模型的概況。
圖2 股市預(yù)測主流深度學(xué)習(xí)模型分類
圖3 股市預(yù)測主流深度學(xué)習(xí)模型概況
2.1 基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的模型
RNN（圖2a） 是一種有效的深度學(xué)習(xí)模型，適用于處理序列數(shù)據(jù)，如股票市場數(shù)據(jù)。然而，RNN存在梯度消失的問題，因此開發(fā)了LSTM、GRU和Bi-LSTM等變體。這些變體通過改進(jìn)RNN的結(jié)構(gòu)，控制短期和長期記憶，提高了對(duì)長期數(shù)據(jù)的處理能力。在股市預(yù)測方面，這些變體取得了顯著進(jìn)展。
遞歸神經(jīng)網(wǎng)絡(luò)（RNN） RNN是一種成熟的深度學(xué)習(xí)模型，已應(yīng)用于股票預(yù)測。 研究人員通過結(jié)合RNN、指數(shù)平滑和自回歸移動(dòng)平均模型，提出了一種混合預(yù)測模型-魯棒混合預(yù)測模型(HPM)，并通過遺傳算法優(yōu)化模型權(quán)重，提高了預(yù)測準(zhǔn)確性。還有一種方法是基于RNN的狀態(tài)頻率記憶，能夠捕捉股票價(jià)格背后的多頻率交易模式。
長短期記憶（LSTM） LSTM是 一種能夠有效地處理文本和時(shí)間序列數(shù)據(jù)的模型，適用于股票市場預(yù)測。 LSTM通過使用梯度方法解決了在較長時(shí)間間隔內(nèi)保留信息的問題，是對(duì)RNN模型的改進(jìn) 。
門控循環(huán)單元（GRU） GRU是LSTM的變體，用于股票市場預(yù)測，可提高訓(xùn)練速度并解決梯度消失問題。雙階段RNN基于注意力機(jī)制進(jìn)行時(shí)間序列預(yù)測，GRU網(wǎng)絡(luò)使用雙級(jí)注意力機(jī)制進(jìn)行股票價(jià)格預(yù)測，根據(jù)金融新聞標(biāo)題分配不同的權(quán)重。MI-LSTM模型使用注意力區(qū)分主要和輔助因素，為輸入分配不同的權(quán)重，以防止無關(guān)因素影響最終結(jié)果。
2.2 基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的模型
CNN（圖2b）是一種深度學(xué)習(xí)模型，已被廣泛應(yīng)用于計(jì)算機(jī)視覺和自然語言處理任務(wù)，其模型由幾個(gè)卷積層和池化層組成，用于特征提取。傳統(tǒng)的卷積層使用二維濾波器處理圖像特征，而時(shí)間序列用的CNN使用一維濾波器在時(shí)間序列上滑動(dòng)。CNN結(jié)合知識(shí)圖和LSTM可以進(jìn)一步提高時(shí)間序列預(yù)測的性能。
其中一種模型是Knowledge-Driven Temporal Convolutional Network（KDTCN），該模型利用Open IE提取與知識(shí)圖相關(guān)的活動(dòng)，并進(jìn)行可解釋的股票預(yù)測。CNN-LSTM模型可以從歷史數(shù)據(jù)中提取特征并預(yù)測股票收盤價(jià)，其中CNN組件從10天的歷史數(shù)據(jù)時(shí)間序列中提取特征，LSTM組件進(jìn)行價(jià)格預(yù)測。 近期一些研究探索了將知識(shí)圖、LSTM和CNN集成用于股票預(yù)測，比如使用由期權(quán)圖像、未來圖像和歷史圖像組成的組合圖像的基于圖的CNN-LSTM模型。此外，Chandar開發(fā)了一個(gè)穩(wěn)健的股票交易模型，該模型使用10個(gè)技術(shù)指標(biāo)作為特征向量，從歷史股票數(shù)據(jù)中提取，并通過CNN模型獲得標(biāo)記的賣出點(diǎn)、買入點(diǎn)和持有點(diǎn)。
2.3 基于圖神經(jīng)網(wǎng)絡(luò)（GNN）的模型
GNN 是一種人工神經(jīng)網(wǎng)絡(luò)，它以圖的形式處理數(shù)據(jù)，在股票市場預(yù)測中發(fā)揮著至關(guān)重要的作用，因?yàn)樗鼈兡軌驅(qū)Σ灰?guī)則結(jié)構(gòu)化數(shù)據(jù)進(jìn)行操作，這與專為歐幾里德結(jié)構(gòu)化數(shù)據(jù)設(shè)計(jì)的 CNN 不同。GNN 的結(jié)構(gòu)由節(jié)點(diǎn)和邊組成，這使得它能夠?qū)?shí)體之間的關(guān)系進(jìn)行建模。在股票市場預(yù)測的背景下，節(jié)點(diǎn)通常代表公司或股票，邊代表它們之間的關(guān)系。例如，關(guān)聯(lián)公司的股價(jià)往往會(huì)同時(shí)波動(dòng)，比如當(dāng)一則好消息發(fā)布時(shí)，相應(yīng)的股票就會(huì)立即飆升。這凸顯了在進(jìn)行預(yù)測時(shí)考慮關(guān)系的重要性。本章將探討四種主要的基于圖的模型：GNN、圖卷積網(wǎng)絡(luò)（GCN）[58]和圖注意網(wǎng)絡(luò)（GAT）。
圖神經(jīng)網(wǎng)絡(luò)（GNN）GNN是一種用于預(yù)測股票表現(xiàn)的手段，通過整合知識(shí)圖來表達(dá)公司實(shí)體之間的聯(lián)系。不同文章提出了不同的模型，如滾動(dòng)窗口分析和回溯方法、知識(shí)圖神經(jīng)張量網(wǎng)絡(luò)（NTN）、分層圖神經(jīng)網(wǎng)絡(luò)（HGNN）等。這些模型考慮了各種市場狀態(tài)屬性，如節(jié)點(diǎn)、關(guān)系和圖形視圖，并使用多源異構(gòu)數(shù)據(jù)進(jìn)行預(yù)測。此外，Ang和Lim的模型利用圖形編碼和注意力模塊來捕捉全局和局部信息，表現(xiàn)非常穩(wěn)健。
圖卷積網(wǎng)絡(luò)（GCN） GCN是一種專門設(shè)計(jì)用于處理圖數(shù)據(jù)的深度學(xué)習(xí)模型，通過圖卷積層從圖中提取特征，并根據(jù)節(jié)點(diǎn)之間的關(guān)系進(jìn)行預(yù)測。GCN可以與其他深度學(xué)習(xí)模型結(jié)合使用，例如Chen和Wei提出了一個(gè)管道預(yù)測模型，通過使用GCN模型整合公司之間的關(guān)系，每個(gè)公司表示為圖中的一個(gè)節(jié)點(diǎn)，邊表示公司之間的關(guān)系，邊的權(quán)重表示持股比例。類似地，Li等人提出了一個(gè)LSTM關(guān)系圖卷積網(wǎng)絡(luò)（LSTM-RGCN）模型，處理股票之間的正相關(guān)性和負(fù)相關(guān)性。Wang等人使用GCN來分析指數(shù)之間的相關(guān)性，介紹了基于多圖卷積神經(jīng)網(wǎng)絡(luò)的MG-Conv模型，并利用指數(shù)之間的靜態(tài)圖構(gòu)建了指數(shù)數(shù)據(jù)，同時(shí)基于具有不同投資組合策略的索引之間的趨勢相關(guān)性創(chuàng)建了動(dòng)態(tài)圖。
圖注意網(wǎng)絡(luò)（GAT） GAT結(jié)合了GNN和注意力層，通過注意力機(jī)制提高性能，減小噪聲影響，增強(qiáng)與任務(wù)相關(guān)的信息。Kim等人提出使用層次注意力網(wǎng)絡(luò)（HATs）預(yù)測股票價(jià)格和市場指數(shù)走勢，Sawhney等人提出用于股票預(yù)測的多管齊下的注意力網(wǎng)絡(luò)（MAN-SF），Cheng和Li引入了屬性驅(qū)動(dòng)的圖注意力網(wǎng)絡(luò)（AD-GAT）來捕捉屬性驅(qū)動(dòng)的動(dòng)量溢出。這些模型在實(shí)驗(yàn)中均優(yōu)于GCN、eLSTM和TGC。
2.4 Transformer
Transformer（圖5d）是一個(gè)基于self-attention機(jī)制的深度學(xué)習(xí)模型，旨在解決序列到序列的任務(wù)，同時(shí)處理長期依賴關(guān)系。 CNN 通過創(chuàng)建二維信息的內(nèi)部表示來擅長處理空間數(shù)據(jù)。此外，RNN 更適合涉及時(shí)間或順序數(shù)據(jù)的任務(wù)，例如財(cái)經(jīng)新聞、推文和股票價(jià)格時(shí)間序列。然而，RNN 可能難以處理長序列，因?yàn)槟Ｐ涂赡軙?huì)忘記遠(yuǎn)處位置的內(nèi)容或混淆附近位置的內(nèi)容。Transformer 通過利用自注意力機(jī)制和位置嵌入來處理句子來解決這個(gè)問題。因此，Transformer 模型在各種股市預(yù)測任務(wù)中都顯示出了可喜的結(jié)果。
基于Transformer的模型 許多研究使用Transformer模型進(jìn)行股票預(yù)測，通過捕捉長期依賴性。其中，Multi-Transformer、層次多尺度高斯Transformer和TEANet等被廣泛應(yīng)用。此外，利用文本信息作為輸入進(jìn)行金融新聞情緒分析，預(yù)測市場對(duì)文本中潛在信息的反應(yīng)。收集社交平臺(tái)和財(cái)經(jīng)新聞文章的數(shù)據(jù)，然后輸入張量Transformer進(jìn)行模型訓(xùn)練。還有研究提出基于Transformer Encoder的Capsule網(wǎng)絡(luò)和基于分層Transformer的多任務(wù)模型等解決方案，用于預(yù)測短期和長期資產(chǎn)波動(dòng)性，其中HTML模型還使用了音頻數(shù)據(jù)進(jìn)行預(yù)測。Chen等人引入了門控三塔式Transformer作為提取和整合多元股票時(shí)間序列的解決方案，通過實(shí)施移位窗口塔式編碼器和具有多時(shí)間聚合的移位窗口塔式編碼器，以及采用普通的Transformer編碼器作為文本塔式編碼器，來實(shí)現(xiàn)復(fù)雜的文本特征提取。
預(yù)訓(xùn)練語言模型 BERT是一種基于Transformer架構(gòu)的語言模型，通過兩種獨(dú)特的訓(xùn)練方法（掩碼語言建模和下一句預(yù)測）來理解單詞之間的關(guān)系和句子之間的長期依賴關(guān)系。BERT的預(yù)訓(xùn)練模型可以針對(duì)特定用例進(jìn)行微調(diào)。財(cái)務(wù)新聞被認(rèn)為是股票市場分析的重要信息來源，對(duì)股票回報(bào)的影響已被充分證明。一些研究人員提出，除了僅依靠文本中的情感來進(jìn)行股票市場預(yù)測之外，新聞評(píng)論還可以影響投資者的情緒，并最終影響他們對(duì)市場趨勢和投資決策的估計(jì)。BERT在股市中的用途不僅限于預(yù)測價(jià)格或走勢，還可以用于檢測預(yù)定義的交易事件等。此外，還有一些研究使用了BERT來進(jìn)行投資者評(píng)論的評(píng)估和分類，以及股票預(yù)測。
2.5 強(qiáng)化學(xué)習(xí)模型
RL（圖5e）是一個(gè)允許通過與環(huán)境交互進(jìn)行學(xué)習(xí)的框架，如圖6所示。在股票市場中，強(qiáng)化學(xué)習(xí)用于設(shè)計(jì)交易策略和管理投資組合。RL 中的關(guān)鍵概念包括馬爾可夫決策過程 (MDP) 、代理、環(huán)境和獎(jiǎng)勵(lì)信號(hào)。強(qiáng)化學(xué)習(xí)問題可以表述如下：智能體通過與環(huán)境的交互來優(yōu)化其策略。具體來說，代理由狀態(tài)和策略組成，在時(shí)間 t 時(shí)由 ???? 和 ?? 表示。當(dāng)智能體與環(huán)境交互時(shí)，會(huì)收到獎(jiǎng)勵(lì)??，并且智能體的狀態(tài)會(huì)更新為????+1。如果下一個(gè)狀態(tài)僅依賴于當(dāng)前狀態(tài)，則決策過程被視為馬爾可夫。
圖6. 在金融交易領(lǐng)域，主體（交易者）與環(huán)境（金融市場）之間的互動(dòng)至關(guān)重要。強(qiáng)化學(xué)習(xí)算法通過將金融市場和交易者分別視為環(huán)境和代理來利用這種交互作用。在代理內(nèi)，不同的RL算法可能會(huì)結(jié)合使用策略網(wǎng)絡(luò)和 Q 網(wǎng)絡(luò)。金融中的財(cái)務(wù)數(shù)據(jù)和回報(bào)可以被視為強(qiáng)化學(xué)習(xí)中的狀態(tài)??和獎(jiǎng)勵(lì)??，而交易交易可以被視為強(qiáng)化學(xué)習(xí)中的動(dòng)作??。
2.5.1 模型無關(guān)強(qiáng)化學(xué)習(xí)。 模型無關(guān)強(qiáng)化學(xué)習(xí)算法是近幾十年來發(fā)展起來的一個(gè)分支， 它允許智能體在不需要了解環(huán)境模型的情況下學(xué)習(xí)。這種學(xué)習(xí)方法使得智能體能夠通過直接與環(huán)境互動(dòng)來學(xué)習(xí)如何做出決策，從而實(shí)現(xiàn)自我優(yōu)化。在模型無關(guān)的設(shè)置中，策略梯度、Q-learning和混合算法在金融市場上得到了廣泛應(yīng)用。
策略梯度。 策略梯度（Policy Gradient）通過直接優(yōu)化策略來求解強(qiáng)化學(xué)習(xí)問題。與基于值函數(shù)的傳統(tǒng)強(qiáng)化學(xué)習(xí)算法不同，策略梯度算法通過采樣經(jīng)驗(yàn)來估計(jì)每個(gè)動(dòng)作的期望回報(bào)，并計(jì)算策略梯度的估計(jì)值，然后使用梯度上升方法來更新策略的參數(shù)。在機(jī)器人控制、游戲智能等領(lǐng)域得到了廣泛應(yīng)用。 策略梯度算法可以處理連續(xù)動(dòng)作空間、可以直接優(yōu)化期望回報(bào)等。然而，它難以選擇合適的策略參數(shù)化形式、難以處理高維度狀態(tài)空間等。
Q-learning。 Q-learning通過學(xué)習(xí)一個(gè)動(dòng)作的價(jià)值函數(shù)（或Q函數(shù)）來選擇最優(yōu)的動(dòng)作。這個(gè)價(jià)值函數(shù)，用于衡量在特定狀態(tài)下采取特定動(dòng)作的期望收益。 Q-learning算法基于一種名為馬爾可夫決策過程的理論，其基本原理是“最大未來折扣回報(bào)”。在實(shí)踐中，Q-learning已經(jīng)被應(yīng)用于各種領(lǐng)域，例如游戲、機(jī)器人學(xué)、自然語言處理等。它具有很強(qiáng)的適應(yīng)性，可以處理不同類型的問題，并且不需要環(huán)境模型的先驗(yàn)知識(shí)。然而，Q-learning其學(xué)習(xí)過程可能需要大量的時(shí)間和實(shí)驗(yàn)，并且在某些情況下可能會(huì)出現(xiàn)探索與利用的權(quán)衡問題。 混合算法。 混合算法是一種結(jié)合了多種不同算法的算法，旨在綜合利用各種算法的優(yōu)點(diǎn)，達(dá)到更好的效果?；旌纤惴ㄍǔ０S機(jī)算法、啟發(fā)式算法、貪心算法和動(dòng)態(tài)規(guī)劃等?；旌纤惴ㄔ谇蠼鈴?fù)雜問題時(shí)通常能夠取得更好的效果，因?yàn)樗梢猿浞掷酶鞣N算法的優(yōu)點(diǎn)，從而更好地適應(yīng)不同的問題場景。 混合算法可以應(yīng)用于求解圖的最短路徑問題、機(jī)器學(xué)習(xí)、優(yōu)化問題、組合優(yōu)化等。2.5.2 基于模型的強(qiáng)化學(xué)習(xí)。近年來，基于模型的強(qiáng)化學(xué)習(xí)算法在RL領(lǐng)域越來越受歡迎。這些算法使用參數(shù)化的近似器來模擬MDP的動(dòng)力學(xué)，從而可以根據(jù)特定狀態(tài)和動(dòng)作獲得獎(jiǎng)勵(lì)和下一個(gè)狀態(tài)。相比基于模型的RL算法，它們具有幾個(gè)優(yōu)點(diǎn)，包括提高數(shù)據(jù)效率、有趣的探索策略、結(jié)合本地和全局學(xué)習(xí)以及在轉(zhuǎn)移學(xué)習(xí)場景中的實(shí)用性?；谀Ｐ偷腞L已被用于開發(fā)幾種交易算法，例如高斯逆RL方法納入投資者情緒，以及使用動(dòng)力學(xué)轉(zhuǎn)換模型進(jìn)行訓(xùn)練并轉(zhuǎn)移到真實(shí)環(huán)境的交易策略。此外，基于模型的RL還應(yīng)用于投資組合管理任務(wù)，顯示出盈利性和魯棒性。Briola等人也通過構(gòu)建使用PPO算法的端到端DRL代理采用基于模型的方法，利用有限的訂單簿數(shù)據(jù)實(shí)現(xiàn)了長期回報(bào)。
2.6 其他深度學(xué)習(xí)方法
在事件驅(qū)動(dòng)的股票預(yù)測領(lǐng)域，使用指標(biāo)數(shù)據(jù)源存在兩個(gè)關(guān)鍵問題：(1)單個(gè)數(shù)據(jù)源的可靠性低；(2)缺乏對(duì)多個(gè)數(shù)據(jù)源之間相互作用和相關(guān)性的理解。
為了解決這些問題，Zhang等人開發(fā)了一種耦合矩陣和張量分解方法，通過創(chuàng)建定量特征矩陣、構(gòu)建矩陣、提取事件和情感，并應(yīng)用耦合矩陣和張量分解，能夠有效地填充稀疏張量中的缺失值，從而進(jìn)行準(zhǔn)確的預(yù)測。Xu和Cohen提出了Stocknet模型，利用Twitter數(shù)據(jù)和前五天價(jià)格數(shù)據(jù)的文本和價(jià)格信號(hào)來預(yù)測第六天的股票走勢。Wang等人引入了基于copula的對(duì)偶性對(duì)比性預(yù)測編碼（Co-CPC）方法，考慮股票類別、行業(yè)和相關(guān)宏觀經(jīng)濟(jì)變量之間的依賴關(guān)系，通過最小化數(shù)據(jù)和模型的不確定性來捕獲耦合。Duan等人提出了一種目標(biāo)特定的抽象指導(dǎo)新聞文檔表示模型，用于提取最具信息性的內(nèi)容。FactorVAE將動(dòng)態(tài)因子模型與使用變分自動(dòng)編碼器進(jìn)行噪聲建模相結(jié)合，通過將因子后驗(yàn)因子模型近似為未來信息，可以有效地指導(dǎo)學(xué)習(xí)過程。
3 數(shù)據(jù)集和模型輸入
3.1 數(shù)據(jù)集
在股票預(yù)測領(lǐng)域，機(jī)器學(xué)習(xí)模型使用的數(shù)據(jù)集因不同股票市場的視角而不太。預(yù)測股票價(jià)格和價(jià)格走勢兩個(gè)任務(wù)最受關(guān)注。大多數(shù)使用強(qiáng)化學(xué)習(xí)（RL）的研究圍繞開發(fā)交易策略展開。數(shù)據(jù)集可分為內(nèi)在數(shù)據(jù)和外在數(shù)據(jù)，內(nèi)在數(shù)據(jù)主要包括歷史股票價(jià)格、財(cái)務(wù)指數(shù)和技術(shù)分析數(shù)據(jù)等，外在數(shù)據(jù)則包括文本、基礎(chǔ)數(shù)據(jù)和工業(yè)知識(shí)圖譜等。該領(lǐng)域研究使用的數(shù)據(jù)集涵蓋的時(shí)間范圍很廣，從幾個(gè)月到十年或更長時(shí)間不等，且來自不同地區(qū)，以美國市場為基礎(chǔ)，但也包括中國、日本和印度等市場的數(shù)據(jù)。表1列出了包含國家信息的常用股票市場縮寫。
（1）股票價(jià)格。股票價(jià)格被認(rèn)為是股票市場表現(xiàn)的直接反映，并常被用作各種模型中的輸入特征和預(yù)測目標(biāo)。在本調(diào)查中，使用股票價(jià)格很普遍，但根據(jù)模型設(shè)計(jì)的不同，它以開盤價(jià)、最高價(jià)、最低價(jià)和收盤價(jià)等多種形式被使用。
（2）技術(shù)分析工具。技術(shù)分析工具在傳統(tǒng)的股票分析中很常用，常常通過MACD、RSI等指標(biāo)來進(jìn)行股票趨勢的分析。
（3）宏觀經(jīng)濟(jì)數(shù)據(jù)。宏觀經(jīng)濟(jì)數(shù)據(jù)反映了特定地區(qū)的經(jīng)濟(jì)狀況。與股票市場相關(guān)的兩個(gè)常用指標(biāo)是消費(fèi)者價(jià)格指數(shù)（CPI）和國內(nèi)生產(chǎn)總值（GDP）。這些指標(biāo)可以洞察當(dāng)前市場狀況，并表明股票市場是處于增長還是衰退階段。
（4）基本面數(shù)據(jù)。基本面數(shù)據(jù)是指關(guān)于一個(gè)經(jīng)濟(jì)實(shí)體的綜合信息，包括財(cái)務(wù)狀況、公司結(jié)構(gòu)以及與股東共享的其他任何信息。然而，在深度學(xué)習(xí)模型中使用這種數(shù)據(jù)時(shí)，由于報(bào)告頻率低、文本信息結(jié)構(gòu)化不足等限制，只能利用一小部分?jǐn)?shù)據(jù)。
（5）知識(shí)圖譜。不同行業(yè)之間可能存在內(nèi)在聯(lián)系，例如，同一供應(yīng)鏈上的企業(yè)會(huì)受到相同新聞的影響。最近的實(shí)驗(yàn)表明，將來自開放源碼的知識(shí)圖譜與傳統(tǒng)的股票數(shù)據(jù)相結(jié)合，可以改善模型的表現(xiàn)。
（6）文本信息。文本信息包括廣泛的來源，包括但不限于新聞文章、報(bào)告、社交媒體帖子和用戶評(píng)論。由于大多數(shù)信息是非結(jié)構(gòu)化的，因此情感分析是一種廣泛使用的技術(shù)，通過深度機(jī)器學(xué)習(xí)來提取見解?？梢詫?shù)據(jù)分類為各種類別，例如正面、中性或負(fù)面，以進(jìn)行進(jìn)一步的分析和利用。表1 股票市場的簡略說明
3.2 輸入特征
基于預(yù)測目標(biāo)和數(shù)據(jù)集構(gòu)成對(duì)輸入特征進(jìn)行提取和組織，大致可分為四組：時(shí)間序列、文本、知識(shí)圖等。
（1）時(shí)間序列。由于許多模型都依賴于隨時(shí)間建模股票價(jià)格，因此時(shí)間序列數(shù)據(jù)是股票預(yù)測中普遍存在的輸入。預(yù)測的具體時(shí)間范圍，例如日內(nèi)或跨日，可以確定所使用數(shù)據(jù)的粒度，范圍從分鐘級(jí)到天級(jí)別。此外，在強(qiáng)化學(xué)習(xí)的背景下，可以將時(shí)間序列數(shù)據(jù)轉(zhuǎn)換為環(huán)境，其中特征可以用于創(chuàng)建狀態(tài)和獎(jiǎng)勵(lì)。這使得代理能夠與環(huán)境互動(dòng)并不斷提高其決策策略。 （2）文本。文本信息包括多種信息源，如新聞和文章。人們認(rèn)為這種類型的信息會(huì)對(duì)投資者的情緒產(chǎn)生連鎖反應(yīng)。不過，在用于模型之前，文本信息必須經(jīng)過預(yù)處理和結(jié)構(gòu)化，因?yàn)槲谋拘畔⒖赡軄碓从诓煌恼Z言和來源。 （3）圖。行業(yè)知識(shí)圖譜是最常用的圖，不僅可以展示合作者間的直接聯(lián)系，也用來挖掘其內(nèi)部關(guān)系，如上下游供應(yīng)鏈。（4）其他。在股票預(yù)測任務(wù)中使用了不同的數(shù)據(jù)源，每個(gè)數(shù)據(jù)源都提供了獨(dú)特的視角，包括圖像數(shù)據(jù)和音頻數(shù)據(jù)。這些數(shù)據(jù)被用作補(bǔ)充信息，例如，聲音特征，如語調(diào)，可以表明說話人的情感。
4 模型評(píng)估評(píng)估指標(biāo)在評(píng)估股票市場預(yù)測模型性能方面具有至關(guān)重要的作用，它們被用于比較不同模型所做的預(yù)測與實(shí)際值。在本文中，我們將現(xiàn)有的評(píng)估指標(biāo)分為三類：基于準(zhǔn)確性的、基于誤差的和基于回報(bào)的。對(duì)于分類模型，常用的評(píng)估指標(biāo)包括基于準(zhǔn)確率的指標(biāo)；對(duì)于回歸模型，常用的評(píng)估指標(biāo)包括基于誤差的指標(biāo)，如平均絕對(duì)誤差（MAE）和均方根誤差（RMSE）?；跍?zhǔn)確性和基于回報(bào)的指標(biāo)值越大，股票市場預(yù)測的效果越好；而基于誤差的指標(biāo)值越小，性能越好。
表 3 典型論文采用的三種評(píng)估方法 
4.1 基于準(zhǔn)確性的評(píng)估指標(biāo)
基于準(zhǔn)確性的評(píng)估指標(biāo)用于衡量分類器的性能。然而，僅僅使用準(zhǔn)確性作為唯一的評(píng)估指標(biāo)有時(shí)是不夠的，因?yàn)樗鼰o法反映分類器在不同類別上的性能差異。因此，為了更全面地評(píng)估分類器的性能，我們可以使用其他評(píng)估指標(biāo)，例如精確率、召回率和F1得分。準(zhǔn)確率（Accuracy）。 準(zhǔn)確率是最基本的評(píng)估指標(biāo)，用于評(píng)估分類器的整體準(zhǔn)確性。準(zhǔn)確率指的是分類器正確分類的樣本數(shù)與總樣本數(shù)的比值 。公式如下：
TP（True Positive）表示實(shí)際類別和模型預(yù)測都是正類的情況。 TN（True Negative）表示實(shí)際類別和模型預(yù)測都是負(fù)類的情況。 FP（False Positive）表示模型預(yù)測為正類，但實(shí)際類別是負(fù)類的情況。
FN（False Negative）表示實(shí)際類別為正類，但模型預(yù)測為負(fù)類的情況。
精確率（Precision）。 精確率是指分類器預(yù)測為正樣本的樣本中真正為正樣本的比例，反映了分類器對(duì)于正樣本的識(shí)別能力。公式如下：
召回率（Recall）。 召回率是指真正為正樣本的樣本中被分類器預(yù)測為正樣本的比例，反映了分類器對(duì)于所有實(shí)際正樣本的覆蓋程度。公式如下：
F1分?jǐn)?shù)（F1 Score）。 F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均值，用于綜合考慮精確率和召回率的表現(xiàn)，可以更全面地評(píng)估分類器的性能。公式如下：
此外，還有一些其他的評(píng)估指標(biāo)，如AUC-ROC（ROC曲線下的面積）、基尼指數(shù)， 還可以采用交叉驗(yàn)證、混淆矩陣、特征選擇等技術(shù)來進(jìn)一步提高分類算法的性能。 這些評(píng)估指標(biāo)各有優(yōu)缺點(diǎn)，應(yīng)根據(jù)具體的應(yīng)用場景選擇合適的評(píng)估指標(biāo)。
4.2 基于誤差的評(píng)估指標(biāo)
基于誤差的評(píng)估指標(biāo)是指通過計(jì)算預(yù)測值與真實(shí)值之間的差異來評(píng)估模型預(yù)測準(zhǔn)確性的指標(biāo)，其中誤差越小表示結(jié)果越好。常見的基于誤差的評(píng)估指標(biāo)包括平均絕對(duì)誤差（MAE）、均方誤差（MSE）、均方根偏差（RMSE）以及平均絕對(duì)百分比誤差（MAPE）等。這些指標(biāo)可用于評(píng)估模型在不同數(shù)據(jù)集上的預(yù)測效果，并根據(jù)誤差大小來優(yōu)化模型參數(shù)或調(diào)整模型結(jié)構(gòu)。
平均絕對(duì)誤差（MAE）。 MAE 用于計(jì)算預(yù)測值與實(shí)際值之間的平均絕對(duì)差值。MAE的優(yōu)勢在于它可以直觀地反映出誤差的大小，并且對(duì)于不同的數(shù)值范圍具有一致的敏感性。然而，MAE對(duì)于離散程度較大的數(shù)據(jù)分布可能不夠穩(wěn)健，而且無法提供關(guān)于數(shù)據(jù)分布的更多信息。公式如下：
均方根偏差（RMSE）。 RMSE是一種常用的誤差度量方法，用于評(píng)估預(yù)測或測量數(shù)據(jù)的準(zhǔn)確性。它計(jì)算的是實(shí)際值與估計(jì)值之間的平均平方根差，可以提供一種量化誤差的方法。RMSE的值越小，說明預(yù)測或測量數(shù)據(jù)的準(zhǔn)確性越高。公式如下：
平均絕對(duì)百分比誤差（MAPE）。 MAPE是一種用于衡量預(yù)測或估計(jì)模型準(zhǔn)確性的指標(biāo)，它計(jì)算預(yù)測值與實(shí)際值之間的絕對(duì)百分比誤差的平均值。MAPE可以用于比較不同模型或不同數(shù)據(jù)集的預(yù)測效果，通常越小表示模型越準(zhǔn)確。然而，MAPE有一些局限性，例如對(duì)異常值敏感，不能處理負(fù)數(shù)等。公式如下：
使用基于回報(bào)的評(píng)估指標(biāo)有效地評(píng)估股票市場預(yù)測的準(zhǔn)確性。金融中用于評(píng)估收益的兩個(gè)常用指標(biāo)是投資回報(bào)率（IRR）和夏普比率（Sharpe Ratio）。這些指標(biāo)的值越高，預(yù)測效果越好。
投資回報(bào)率（IRR）。 IRR是一種用于衡量投資績效的度量標(biāo)準(zhǔn)，它計(jì)算當(dāng)前時(shí)間（pt）資產(chǎn)價(jià)值與上一時(shí)間（pt-1）資產(chǎn)價(jià)值之間的百分比差異，再除以上一時(shí)間（pt-1）的資產(chǎn)價(jià)值。公式如下： 
夏普比率（Sharpe Ratio，SR）。 SR是一種用于衡量投資回報(bào)與風(fēng)險(xiǎn)之間關(guān)系的度量標(biāo)準(zhǔn)，它計(jì)算投資回報(bào)與無風(fēng)險(xiǎn)利率之間的差異與投資回報(bào)的標(biāo)準(zhǔn)差之間的比率。公式如下：
其中，????表示回報(bào)，????表示無風(fēng)險(xiǎn)利率，??表示回報(bào)的標(biāo)準(zhǔn)差。
平均年度回報(bào)率（AAR）。 ARR是一種用于衡量共同基金的歷史平均回報(bào)率的度量指標(biāo)。與內(nèi)部收益率（IRR）不同，AAR以年度為基礎(chǔ)計(jì)算回報(bào)率，適用于評(píng)估長期投資的表現(xiàn)。 AAR的計(jì)算通常涉及將投資期內(nèi)總回報(bào)除以投資期內(nèi)的平均本金，并乘以投資年數(shù)。
5 總結(jié)展望
股市預(yù)測任務(wù)極大地促進(jìn)了機(jī)器學(xué)習(xí)的進(jìn)步，特別是在自然語言處理（NLP）和強(qiáng)化學(xué)習(xí)（RL）領(lǐng)域。然而，為了進(jìn)一步完善和發(fā)展該領(lǐng)域，仍然存在一些潛在的研究方向和懸而未決的問題需要解決。
-
提 高股市預(yù)測 模 型 的泛化能力。 機(jī)器學(xué)習(xí)模型的泛化能力是指在未見過的數(shù)據(jù)上進(jìn)行準(zhǔn)確分類或預(yù)測的能力。在股市預(yù)測中，深度學(xué)習(xí)模型需 要具 備高度時(shí)不變性和強(qiáng)大的泛化能力。傳統(tǒng)方法難以泛化到真實(shí)交易場景或在某些未見過的數(shù)據(jù)子集上表現(xiàn)不佳。最近的研究表明，將自監(jiān)督學(xué)習(xí)任務(wù)納入分類任務(wù)可以改善泛化能力。在股市預(yù)測領(lǐng)域，探索現(xiàn)有或開發(fā)新的自監(jiān)督學(xué)習(xí)方法來增強(qiáng)泛化能力是一個(gè)充滿前景的方向。
- 將深度學(xué)習(xí)技術(shù)與在線學(xué)習(xí)方法相結(jié)合。 在線學(xué)習(xí)是一種利用在線培訓(xùn)結(jié)果反饋來優(yōu)化模型的培訓(xùn)方法，特別適用于減輕股票市場波動(dòng)性、不確定性和高噪音因素的影響。它能夠自動(dòng)更新模型并控制預(yù)測結(jié)果與期望值之間的差異，對(duì)于股票市場投資策略具有很高的價(jià)值。此外，在線學(xué)習(xí)還可以應(yīng)用于處理突然變化的時(shí)間序列，如檢測道瓊斯工業(yè)平均指數(shù)的每日結(jié)果變化。整合在線學(xué)習(xí)和機(jī)器學(xué)習(xí)對(duì)于股票市場預(yù)測具有巨大的潛力。
- 改進(jìn)股市預(yù)測的評(píng)估和數(shù)據(jù)集。 目前許多股市預(yù)測模型僅評(píng)估中間績效指標(biāo)，缺乏對(duì)實(shí)際交易系統(tǒng)的支持，且缺乏統(tǒng) 一的盈利能力評(píng)估標(biāo)準(zhǔn)。新模型應(yīng)該評(píng)估與財(cái)務(wù)相關(guān)的指標(biāo)，包括利潤標(biāo)準(zhǔn)、風(fēng)險(xiǎn)標(biāo)準(zhǔn)和風(fēng)險(xiǎn)利潤標(biāo)準(zhǔn)。此外，股市預(yù)測任務(wù)缺乏統(tǒng)一的基準(zhǔn)數(shù)據(jù)集和清晰的任務(wù)描述，這阻礙了該領(lǐng)域的進(jìn)步。
- 改進(jìn)股市預(yù)測的時(shí)間序列異常檢測。 在金融市場不穩(wěn)定的情況下，從數(shù)千只股票中快速識(shí)別表現(xiàn)不佳的股票是一個(gè)實(shí)用的問題。常見的股市預(yù)測模型未能考慮異常值，因此需要時(shí)間異常檢測來捕獲最佳交易點(diǎn)，降低投資風(fēng)險(xiǎn)。該模型還可用于多個(gè)金融時(shí)間序列數(shù)據(jù)集的建模和異常檢測。因此，設(shè)計(jì)一種基于時(shí)間序列異常檢測任務(wù)的更好機(jī)制是未來重要的研究方向，以便在現(xiàn)實(shí)世界交易中捕獲預(yù)測任務(wù)的最佳交易點(diǎn)。
- 股市預(yù)測的多任務(wù)持續(xù)學(xué)習(xí)。 持續(xù)學(xué)習(xí)是一種允許神經(jīng)網(wǎng)絡(luò)在連續(xù)的任務(wù)中積累知識(shí) 、 減輕災(zāi)難性遺忘的 技術(shù) 。在股票預(yù)測任務(wù)中，持續(xù)學(xué)習(xí)模型可以自主獲取新技能、適應(yīng)新情況、完成新任務(wù)，以應(yīng)對(duì)股市環(huán)境的劇烈波動(dòng)。現(xiàn)有的股票市場預(yù)測任務(wù)在單個(gè)數(shù)據(jù)集上評(píng)估單個(gè)任務(wù)，持續(xù)學(xué)習(xí)方法有助于同一個(gè)模型輸出多個(gè)任務(wù)，同時(shí)對(duì)多個(gè)任務(wù)進(jìn)行評(píng)估，提高了準(zhǔn)確性。
- 利用分布式強(qiáng)化學(xué)習(xí)進(jìn)行股票交易。 金融市場的波動(dòng)性和噪音使得量化交易算法在平衡利潤和風(fēng)險(xiǎn)方面具有挑戰(zhàn)性。分布式強(qiáng)化學(xué)習(xí)是一種可能的解決方案，通過使用定義的隨機(jī)變量形成分布式貝爾曼等式，超越了傳統(tǒng)的方法。分布式強(qiáng)化學(xué)習(xí)可以提供更多關(guān)于收益分布的信息，降低風(fēng)險(xiǎn)或提高穩(wěn)健性，并且在Atari游戲中的算法得分高于人類玩家。然而，在金融交易中的應(yīng)用仍需進(jìn)一步探索，因此值得探討其在這一領(lǐng)域的潛力。
- 將股票交易視為部分可觀察的馬爾可夫決策過程。 強(qiáng)化學(xué)習(xí)算法在金融交易中廣泛應(yīng)用，其中包括無模型方法。然而，這些方法不能準(zhǔn)確反映金融市場的開放和不斷變化的性質(zhì)。未來的研究有兩種解決方案，一是收集所有交易以充分觀察動(dòng)態(tài)，這需要大量的存儲(chǔ)和計(jì)算資源；二是使用基于模型的強(qiáng)化學(xué)習(xí)方法來近似動(dòng)力學(xué)，這種方法具有相當(dāng)大的潛力，值得探索。使用過渡動(dòng)態(tài)模型可以進(jìn)行更長期的規(guī)劃。
更多精彩內(nèi)容請(qǐng)點(diǎn)擊：機(jī)器學(xué)習(xí)文章精選！
關(guān)注??公眾號(hào)，回復(fù)【SDGP】可下載原文獻(xiàn)
