基于改进Self-Attention的股价趋势预测

• 作者: 郑树挺 徐菲菲
• 来源期刊: 计算机技术与发展
• 关键词: 金融时间序列 股票价格预测 深度学习 自注意力机制 量化交易
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 大数据分析与挖掘
• 页码范围: 33-38
• 页数: 6页
• 分类号: TP393
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2021.03.006

摘要

近年来中国经济发展迅速,相应的,中国的金融市场也迅速发展,受到国内外投资者的关注,因此研究中国金融市场上股票价格趋势对学者、投资者和监管者具有重要的意义.随着量化交易等理念的兴起,越来越多的学者将深度神经网络(DNN)应用于金融领域.虽然近几年DNN在图像、语音以及文本等方面已经取得了极大的成功,但其在金融时间序列预测方面遇到了很多挑战,因为其数据本质上是高度动态性,且具有高噪声.作为DNN在时序数据处理的典型代表LSTM,由于该方法没有考虑不同时间点、不同来源数据的重要性程度,效果仍不理想.不同于在传统LSTM模型上引入Attention机制,通过改进Self-Attention模型,分别对日线数据和分时线数据进行编码并融合,学习资金流变化对股票趋势变化的影响.实验结果表明,所提方法将对趋势判断的准确率提高到63.04％,并在两个月的回测实验中获得了6.562％的收益,证明了该模型在股价趋势预测上具有一定的有效性和实用性.