融合市场动态层次宏观信息的股票趋势预测

作者：张亚飞; 王晶; 赵耀帅; 武志昊; 林友芳

来源：计算机应用, 2022, 1-7.

• 股票趋势预测
• 宏观记忆网络
• 动态依赖
• 层次宏观信息
• 门控单元

股票市场结构复杂，且其中的信息多样，使得股票趋势预测极具挑战。现有的研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种能够同时对多只股票进行趋势预测的动态宏观记忆网络（DMMN）。该算法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获其在时序上的长期依赖，然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相比于注意力长短期记忆网络(ALSTM)、GCN-LSTM、卷积神经网络（CNN）等模型，DMMN在F1值、夏普比率这两个指标上都取得了更好的效果，和最好的对比方法 ALSTM相比分别提升了4.88%和31.93%，这表明DMMN在具备较高的预测性能的同时还具备更好的实用价值。

• 单位
  北京交通大学; 中国民用航空局