本文提出LSR-IGRU模型,通过利用股票二级行业信息构建长期关系矩阵,结合隔夜价格建立短期关系矩阵,改进GRU输入,融合时序与关系信息,以提升股票趋势预测准确性。实验证明该模型在中美股市四大数据集上优于现有主流模型,且在真实金融公司算法交易平台中实现了显著的累计收益提升,展示了其良好的泛化能力和应用价值。
LSR-IGRU模型创新点和设计架构 :
实验数据与设置,评测指标及对比 baselines :
性能表现及优势总结 :
| 数据集 | ARR ↑ | AVol ↓ | MDD ↓ | ASR ↑ | CR ↑ | IR ↑ |
|---|---|---|---|---|---|---|
| CSI 300 | 0.192 | 0.187 | -0.168 | 1.026 | 1.143 | 1.009 |
| CSI 500 | -0.168 | 1.026 | 1.143 | 1.009 | 0.330 | 0.203 |
| S&P 500 | -0.198 | 1.626 | 1.663 | 1.382 | 0.506 | 0.177 |
| NASDAQ 100 | -0.093 | 2.863 | 5.453 | 2.450 | 0.835 | 0.222 |
参数敏感性分析结果 :
量化策略核心机制与因子构建 :
消融实验验证关系模块重要性 :
| 模型组合 | CSI 300 ARR | S&P 500 ARR |
|---|---|---|
| 仅GRU | -0.229 | 0.324 |
| 仅长期关系表示 | 0.079 | 0.356 |
| 仅短期关系表示 | 0.111 | 0.307 |
| GRU+长期关系 | 0.157 | 0.401 |
| GRU+短期关系 | 0.173 | 0.412 |
| 长期+短期关系表示 | 0.145 | 0.439 |
| 全部模块(LSR-IGRU) | 0.192 | 0.506 |
报告标题: LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU
作者: Peng Zhu 等,均来自同济大学计算机科学与技术系,以及部分来自EMoney Inc.金融公司
发布日期与会议: 2024年10月,于第33届ACM国际信息与知识管理会议(CIKM '24)发布
主题: 针对股票价格趋势预测,利用股票间的关系网络(长短期关系)以及改进的门控循环单元(GRU)神经网络模型,探索提高预测准确率的方法。
核心论点与创新点:
报告提出了一种命名为LSR-IGRU的新模型,结合了长短期股票关系的多层次图注意力网络(GAT)以及改进的GRU输入机制,实现股票价格走势预测的优化。关键创新点包括:
综上,报告旨在提出一种能更全面捕捉股票复杂动态依赖关系,提升趋势预测精度的神经网络模型,并通过实证验证其一线实用性和优越性。,1,6]
股票市场价格波动剧烈且受多种复杂因素影响,给准确预测带来难度。传统理论——有效市场假说认为价格包含全部可得信息,然而价格的波动性让趋势预测极具挑战性。近年来,深度学习以及图神经网络(GNN)技术兴起,为挖掘股票间内在联系提供了新思路。
传统方法侧重单一时间序列数据(价格、交易量)预测未来走势,表现有限。研究发现股票价格在行业或相关细分领域内部存在连锁反应与同步变化,关系挖掘成为提高预测准确率的一条路。早期研究通过构建日度企业关系图利用GNN捕捉动态关联或用Transformer模型的自注意力机制学习股票间依赖。但现有方法:
针对上述不足,提出LSR-IGRU模型,既考虑二级行业的长期联系,也利用隔夜价格变动反映短期互动,结合改进GRU结构,实现关系和时间序列的有机融合,提升趋势预测性能。,1]
LSR-IGRU针对这些短板,从双维度关系嵌入和改进输入机制切入,构建更精细的关系网络,提高鲁棒性和预测能力。
根据股票对应的一级与二级行业节点构建图结构:
长期关系矩阵Rlong∈Rd×d维度为m+n+n′,其中股票数为m,一级行业数n,二级行业数n′,矩阵元素二值表示节点间连接,直观体现复杂行业-股票多层次网络关系。此矩阵提供宏观、稳态的长期关联基础。,3]
选取隔夜价格波动数据,计算任意两股票的隔夜开盘价触及的序列向量,通过余弦相似度度量两股票间短期相关度:
[ corr_i = \frac{\sum ([x_i^{open}(t-t'),...,x_i^{open}(t)]) ([x_j^{open}(t-t'),...,x_j^{open}(t)])}{\sqrt{\sum [x_i^{open}(t-t'),...,x_i^{open}(t)]^2} \sqrt{\sum [x_j^{open}(t-t'),...,x_j^{open}(t)]^2}} ]
该相关度经过平移和缩放至[0,1]区间,以便表示关系强度。短期矩阵Rshort结构同长期矩阵,反映股票及行业节点基于近一段时间隔夜价格同步波动的动态关系,补充刻画市场信息传递的短期波动趋势。
每日构造图Gt=(V,E),节点为股票及行业,边来自长期或短期关系矩阵中非零元素。利用双层图注意力网络(GAT),为每节点计算邻居重要性注意力系数αij,机制如下:
[ e_{ij} = a(W[x_{it}||x_{jt}]), \quad \alpha_{ij} = \frac{\exp(e_{ij})}{\sum_{k \in N_i} \exp(e_{ik})} ]
对邻居特征加权求和并通过ReLU激活形成新表征:
[ x_{it}^{long'} = \sigma \left( \sum_{j \in N(i)} \alpha_{ij} x_{jt} \right) ]
采用两层GAT,重复该过程获得最终的长短期关系向量 xitlong′′ 和 xitshort′′ 。该层设计有效捕捉邻居节点和高阶结构网络关键信息,会赋予模型对股票多维度时间关联的深刻理解。
传统GRU模型以股票时间序列特征xit为输入,难以充分反映复杂关系。本文创新地将长、短期关系嵌入联合拼接为GRU每步输入:
[ x_{i t}^{input} = x_{it} || x_{it}^{long''} || x_{it}^{short''} ]
GRU的各门控计算式变为:
[ \begin{cases} z_{it} = \sigma(W_z x_{i t}^{input} + U_z h_{i(t-1)} + b_z) \ r_{it} = \sigma(W_r x_{i t}^{input} + U_r h_{i(t-1)} + b_r) \ \tilde{h}{it} = \tanh(W_h x{i t}^{input} + U_h (r_{it} \odot h_{i(t-1)}) + b_h) \ h_{it} = (1 - z_{it}) \odot \tilde{h}{it} + z{it} \odot h_{i(t-1)} \end{cases} ]
其中Wz,Wr,Wh等权重矩阵形状适配新的拼接输入维度。此设计实现了长短期关系与时间序列的融合,使模型在时间步更新时动态对股票内在关系加权,提升对复杂动态的敏感度和表达能力。
模型最终输出hit经过MLP投射后生成单变量预测,采用均方误差(MSE)损失函数:
[ Loss(y, \hat{y}) = \frac{1}{d'} \sum_{i=1}^{d'} (y - \hat{y}_i)^2 ]
其中d′为每日样本数,y为真实标签(日收益率排名),y^i为对应模型预测。训练采用Adam优化器优化该目标。
(a)长短期关系嵌入:首先基于行业层级构建长关系矩阵,隔夜收益计算构建短期关系矩阵,然后分别输入两层GAT得到长短期关系表示。
(b)改进GRU网络:将长短期关系嵌入与时间序列共同输入GRU的不同时刻单元,实现同时融合时序及关系动态。
(c)目标优化:利用MLP与损失函数进行训练。
图示清晰阐释方法流程,体现创新点为长短期关系矩阵多层次构建与关系特征融合GRU输入,从结构上保证模型对关系和时序的深度耦合。此图支持了文本论点强调的多维关系融合设计。
表中部分数据书写有小幅格式错漏,但整体数据趋势显著体现了本文模型优势。
针对于CSI 500和NASDAQ 100数据集,在不同时间步长度、训练轮次、图卷积层数及GRU层数对信息比率(IR)和年化收益率(ARR)的影响:
整体展现模型设定在中等复杂度下最为稳健,提示在实际应用中避免过深网络结构,防止过拟合。
针对CSI 300与S&P 500,单独剔除长短期关系模块或GRU模块对预测指标影响:
此消融强化了论文核心设计——关系信息在提升预测准确率上的关键价值。
该图表明模型不仅理论指标优越,还具备实际市场环境下的应用潜力和稳健性。
本研究不涉及传统财务估值如DCF、P/E等,而重点在预测模型架构与性能指标。收益指标等实质为投资组合回报率统计,风险通过波动率与最大回撤衡量,均基于模型预测得出投资选股决策后实证数值。
主要价值在于:
报告中未专门列出风险因素部分,但可从模型设计及实验细节推断可能风险点:
报告通过实盘部署与长期回测一定减少了这些风险,且模型具备一定的适应性,但详细缓解策略或概率未明示。,5,6]
总体来说,报告较为严谨系统,创新性明显,实验验证充分,但对模型局限性和部分细节尚缺乏深入探讨。,5]
本报告提出的LSR-IGRU模型有效融合了基于二级行业信息构建的长周期关系网络和基于隔夜价格变动的短期关系网络,通过改进的GRU输入结构将二者与时间序列特征无缝结合,显著提升了股票价格趋势预测的准确性。模型结构设计科学,关系矩阵维度覆盖股票与多层行业节点,有利于更好地理解股票间深层次的静态与动态关联性。
大量实验在四个中美主要股指数据集上验证了其超越传统模型、其他深度学习及强化学习和主流图神经网络模型的表现。性能指标如年化收益率、夏普率、最大回撤等均展现优势,尤其在高风险调整收益指标上领先,体现了模型的有效风险控制能力。超参数敏感性分析强调适合中等复杂度架构,有效防止过拟合。
消融研究进一步证实,长短期关系嵌入与GRU三大模块的协同作用不可替代,各模块信息互补,共同推动预测性能提升。实盘在EMoney Inc.金融公司的算法交易平台运行,超过一年时间收益稳定优越,最大回撤低,表明该模型具备实用的投资指导价值和商业应用前景。
综上,LSR-IGRU为股票趋势预测领域提供了一个融合多维关系及时间序列信息的有力框架,同时实现了理论方法与实际应用的成功对接。该工作有助于推动金融数据科学领域深度学习技术的边界,增强风险调整后投资收益率,促进智能化投资决策。
2409.08282.pdf