本报告提出了基于Mamba结构化状态空间序列模型的新型股票价格预测模型MambaStock。该模型通过选择机制和扫描模块,能够高效捕捉历史股票数据中的复杂非线性时序依赖,无需人工特征工程,实证结果表明其预测准确度优于传统ARIMA、Kalman滤波及主流深度学习模型,如LSTM、Transformer等,为投资决策提供有力支持 。
MambaStock框架由选择机制和扫描模块组成,基于结构化状态空间序列模型(S4的扩展S6),高效建模长序列数据中的复杂依赖关系,适用于股票价格预测任务 。
采用多种股票市场数据特征作为输入,包括开盘价、最高价、最低价、成交量、换手率、市盈率、市净率等,输出股票价格变动率预测,应用tanh激活函数确保输出范围[-1,1] 。
实验证明MambaStock在中国四支主要股票(600036.SH招商银行、601288.SH农业银行、601328.SH交通银行、601988.SH中国银行)上实现了较高的预测精度,预测曲线与实际股价高度吻合 。
MambaStock与多种模型对比,包括Kalman Filter (KF)、ARIMA、ARIMA-NN混合模型、XGBoost、单向及双向LSTM、Transformer、TL-KF和AttCLX混合模型。评价指标采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)及决定系数(R2) 。
各股票上MambaStock表现出的评价指标:
| 股票代码 | MSE | RMSE | MAE | R² |
|---|---|---|---|---|
| 600036.SH | 1.1514 | 1.0730 | 0.8048 | 0.8873 |
| 601288.SH | 0.0006 | 0.0252 | 0.0182 | 0.9733 |
| 601328.SH | 0.0020 | 0.0450 | 0.0293 | 0.9434 |
| 601988.SH | 0.0004 | 0.0201 | 0.0135 | 0.9590 |
MambaStock的优越性归因于其选择机制和扫描模块带来的灵活性和高效性,使其能够忽略无关噪声信息,专注于关键时序特征,提升泛化能力和预测精准度 。
本文未特别涉及量化因子构建与量化策略回测,属于时间序列预测模型研究范畴 ~4]。
核心论点:
报告提出了一种基于Mamba模型的股价预测新方法——MambaStock。传统时间序列模型如ARIMA因无法充分捕捉非线性、复杂动态在股票价格预测中表现不佳,而神经网络具有强大的非线性拟合能力。Mamba利用结构化状态空间模型及选择机制和扫描模块,能高效捕捉序列数据中的复杂模式。MambaStock模型无需手工设计特征或繁琐预处理,能有效挖掘历史股票数据,实现对未来股价的高精度预测。实证研究显示,该模型明显优于传统及多个现代对比方法,具有显著应用价值。
整体立意在于推动状态空间模型在金融时序预测中的创新应用,并为投资者提供准确的决策支持工具。,1]
关键内容:
强调股票市场的重要性及复杂波动性,阐述传统时间序列模型如ARIMA识别非线性模式能力不足,导致预测效果有限。神经网络,尤其RNN及其变种LSTM因引入“门控机制”可以模拟人类记忆处理信息,改善了长序列依赖捕捉。之后,Attention机制和Transformer等更先进模型的出现进一步提升了序列模型的能力。介绍了此前的多种融合模型(如ARIMA-NN、结合LSTM的Kalman滤波器等),为发展MambaStock模型做铺垫。
作者论据:
基于现有文献的总结指出,尽管Transformer等模型表现出卓越的长序列建模能力,但在金融时间序列这一具有极强非线性和噪声特点的领域,尚有提升空间。Mamba模型由于其结构化状态空间设计及动态选择机制的引入,被认为是序列建模的重大突破,有望实现更优的股票预测性能。
[ h_t = A h_{t-1} + B x_t, \quad y_t = C h_t ]
通过离散化(exp(ΔA)等),将连续系统转为离散时间系统表达,实现计算可操作性。张量维度简介表明输入、隐藏态、输出按批次计算,参数设计符合批量数据高效处理需求。
表达为:
[ h_t = \bar{A}t h{t-1} + \bar{B}_t x_t, \quad y_t = C_t h_t ]
动态参数学习极大增强了模型对时序中多样时间依赖关系和噪声的适应能力。
模型输出为未来时间点的股价变动率,因其范围自然限定在(-1, 1),故用tanh激活保证输出映射到合理区间。
训练目标为减少均方误差(MSE),以提升预测准确度。数据来源于公开金融数据库Tushare,训练在NVIDIA GTX3060 GPU上完成,优化器为Adam,训练轮数100,学习率0.01。框架具体流程如图1所示,历史数据通过选择机制和扫描模块进入结构化状态空间序列模型,输出未来价格预测。,2]
内容:
试验选取中国四支代表性银行股(招商银行600036.SH,农业银行601288.SH,交通银行601328.SH和中国银行601988.SH)。测试集大小为300天,不论训练集大小。模型预测结果在图2至图5中展现,真实股价与预测股价高度一致,表明MambaStock成功捕获了股价的时间序列动态,证明了模型的泛化能力和预测准确度。
指标:
未在此部分直接给出数值指标,但图中实际价格和预测价格曲线几乎重叠,直观表现出预测质量的优异。
主要比较指标为:MSE(均方误差)、RMSE(均方根误差)、MAE(平均绝对误差)、R2决定系数。低误差与高R2代表更优性能。
具体以表III(601328.SH)为例,MambaStock的MSE=0.0020,低于Transformer的0.0024,且R2=0.9434为最高。表IV显示在601988.SH股价预测中,MambaStock的R2=0.9590也为最高。
细节分析:
,4]
描述:
该流程图清晰展示MambaStock的核心结构:输入历史股票数据后,同步传入“选择机制”和“扫描模块”,两者的输出汇合传递至“结构化状态空间序列模型”,最终得到对未来股价的预测。
意义:
表明模型设计强调动态选择(selection)与全局扫描(scan)协同,捕获数据中不同尺度与时序相关性,构成预测的双重支撑。
联系文本:
佐证方法论中Mamba模型动态参数学习及局部到全局信息捕获的理论设计。
描述:
每幅图展示一个股票(如600036.SH、601288.SH、601328.SH、601988.SH)过去的实际股票收盘价与模型预测价的曲线,蓝线为实际价格,橙线为预测价格,时间跨度约1年多。
趋势解读:
整体上,橙线紧贴蓝线,显示极强的拟合与预测能力。即使在价格波动剧烈或短暂跳跃时,模型也较为准确地反映趋势,没有明显滞后或偏差。
文本联系:
直观印证模型在不同个股及市场条件下的适用性和鲁棒性。
潜在限制:
图中未直接反映极端行情(如黑天鹅事件)下的预测表现,或许对此种情况有待进一步验证。
内容:
详细数值罗列对比多种模型的MSE、RMSE、MAE和R2,方便定量对比。
关键数据解读:
联系文本:
通过量化指标证实图像观察,表明模型相比传统和先进深度学习方法优势显著,尤其在复杂、波动大的股票市场环境中效果突出。,4]
报告侧重于模型设计与预测性能评估,无直接涉及财务估值的数学模型或估值结果。因此不涉及DCF、PE/PB等估值方法讨论,仅关注预测模型的性能表现。如需应用估值则依赖外部金融分析框架。
报告主要集中于方法开发及实验验证,没有专门章节详细说明风险因素,但依据文本内容可推断以下潜在风险:
缓解策略未明示,但模型使用选择和扫描机制,能够在一定程度上过滤噪声,有助缓解部分风险。
总体评价,报告技术严谨,对模型进行全面阐述,但在金融应用维度如风险管理和实操表现上尚缺乏深度扩展和讨论。
报告创新之处在于利用最新的Mamba选择性状态空间序列模型,结合选择机制与扫描模块设计,成功应用于复杂非线性且时变的股票市场数据预测,充分发挥了机器学习与控制理论的结合优势。MambaStock模型显著优于ARIMA及多代深度学习模型,在多个中国银行股票数据上的实证结果表明:
报告表明Mamba结构化状态空间模型不仅适用语言、蛋白质序列等序列建模,亦在金融时序预测领域拥有重要价值。该模型无需复杂特征工程和预处理,降低应用门槛,利于快速部署。
图表组合显示,实际预测曲线与股价几乎重合,指标表亦提供量化支持,表明模型性能具有实用意义。但报告未涉及市场风险调整收益、多市场验证以及模型风险管理策略,提醒未来研究需补充这些纬度以完善金融应用框架。
综合来看,本报告为基于深度结构化状态空间模型的新一代股价预测提供了系统方法论与实证验证,具备较强的学术与实务参考价值。
本次报告深入分析了结构化状态空间序列模型Mamba的设计原理、创新机制及其在股票价格预测中的适用性,详尽解读了实验设置、数据来源与对比模型,系统展现出该模型在中国市场四支典型股票上的优越性能,直观和量化指标均表明了显著改进。尽管存在应用和风险维度的不足,本模型的提出为金融时序预测技术注入了新动力。
2402.18959.pdf