基于时间序列预测的股票推荐模型研究

作     者：李宁 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：贾彩燕

授予年度：2023年

学科分类：02[经济学] 0202[经济学-应用经济学] 020208[经济学-统计学] 020204[经济学-金融学（含∶保险学）] 08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：股票推荐 时间序列预测 并行结构混合模型 注意力机制 股票涨跌预测 持仓比例推荐 

摘      要：随着经济社会的发展,越来越多的人开始关注投资理财,以实现个人财富的保值增值,在众多理财途径中,股票以高风险高收益的特点颇受投资者青睐,股票推荐不仅能节省投资者的精力,还可以克服交易过程中人性的弱点。股票信息是典型的时间序列数据,这就说明我们可以像处理其他时间序列数据一样对其进行分析,相较于其他时序性数据,股票信息又有其自身的特点,比如影响因素更多、时效性要求更高、更注重预测准确率。从基于内容的角度来说股票信息可以分为文本信息和行情信息,文本信息往往面临着不能及时、充分地被外界获取、第三方信息的真实性无法保证的问题,所以本文推荐算法并没有从文本信息中提取特征;而行情信息能及时、准确地被市场进行修正,是公司未来发展趋势的实时体现,本文假设行情信息能充分地反映这种趋势,通过沪深A股的开盘价、收盘价、最高价、最低价、成交量、成交额这六个维度来完成信息提取,从两个研究方向出发进行探索实验,最终得到基于时间序列预测的股票推荐模型和基于时间序列的投资组合模型两项研究成果。基于时间序列预测的股票推荐模型(Res GRU)针对股票下一交易日的涨跌进行预测。本模型通过股票行情数据中提取特征,引入了门控循环单元模型和卷积神经网络模型,通过将两个模型并行连接既减少模型深度、提高训练效率;同时由于门控循环单元模型和卷积神经网络模型自身的特点,本模型又具有捕获历史信息特征的优势和局部信息特征的优势。为了尽量多地保留原始特征,将两种模型的训练结果进行特征融合后传入注意力机制模块,计算出不同模型的权重贡献度,即可得到行情预测结果,将预测结果进行二分类则得到最终的涨跌预测结果。实验证明本文提出Res GRU模型在股票涨跌预测的问题上表现良好,相比对比模型误差更小、准确率更高,具有有效性。基于时间序列的投资组合模型(Res GRU-KM)是针对降低股票投资面临的风险问题。投资组合能很好地降低股票投资的非系统风险,本文引入马科维兹投资组合理论作为支撑,通过风险-收益模型的有效前沿获取了最低风险的持仓比例;同时基于该理论中风险和收益的反比关系,创新性地结合了K均值聚类算法对最低风险的持仓比例进行修正,在小幅度提高风险的同时提高收益率;将二者相加并归一后得到推荐持仓比例,该比例中的负值对应证券做空操作,本模型不考虑做空,也不考虑Res GRU预测为下跌的股票。实验结果表明,按照Res GRU-KM模型进行交易的收益率高于对比模型,且稳定性较强。