股票配资网站 <【股票配资网站】>深度学习助力股市预测：股票走势、股价等任务全解析
1 文章萃取1.1 核心观点
本文收集了与股市预测相关的 94 篇顶刊高质量论文深度学习助力股市预测：股票走势、股价等任务全解析，重点关注四个不同的任务：股票走势预测、股价预测、投资组合管理和交易策略。
本文针对股市预测领域，引入了一种新的深度学习分类系统。本文所回顾的文献是根据这种分类法组织的，探讨了各种深度学习模型，例如 RNN、CNN、GNN、 和 RL。此外还汇总了这些研究中使用的数据集、评估技术和模型输入。
1.2 综合评价1.3 主观评分：2 精读笔记
内容概述
概述了股市预测的背景、研究动机和目标回顾了之前关于该主题的调查深度学习 股票分析，并确定了它们的局限性和需要改进的领域详细介绍了审查论文所使用的方法/分类标准，例如会议、模型和出版年份讨论了股市预测中使用的深度学习模型，并根据模型类型对论文进行了分析讨论了所审查方法中使用的输入特征介绍了股票市场预测中常用的评估指标重点关注该领域的未决问题和潜在的未来发展总结2.1 背景介绍（略）2.2 相关工作（略）2.3 审查方法和标准
筛选过程：
2.4 股市预测模型
四个关键的股市预测任务：
股市预测中使用的主流深度学习模型：
2.4.1 基于 RNN 的模型
常见模型：RNN、GRU、LSTM、
HPM：股票收益混合预测模型（原始论文，2015 ）
SFM：基于 RNN 的状态频率记忆（原始论文，2017 ）
SFM 在过去很长一段时间内都是最先进的股票预测算法，值得一看
对代码实现感兴趣的读者，可参阅项目 1 或项目 2 （ 2.7）
融合文本信息的 LSTM 预测模型（原始论文 2016 ）
：带有注意力机制的 LSTM 模型（原始论文，2019 ）
模型的相关代码已开源
融合 TA-Lib 特征的 LSTM（原始论文，2017 ）
一种具有趋势回撤的时间加权LSTM模型（原始论文，2017 ）
GAN-HPA：基于生成对抗网络的混合预测算法（原始论文，2022 ）
CLVSA：卷积 LSTM + 注意力机制（大锅炖）（原始论文，2021 ）
DTRSI：深度神经网络+迁移学习（原始论文，2019 ）
ALSTM：结合注意力LSTM和对抗训练来预测股市走势（原始论文，2018 ）
基于LSTM关联网络模型的股价预测（原始论文，2019 ）
MSSPM：联合学习细粒度事件抽取与股票预测 （2019 ）
FAST：基于分层学习的股票预期利润排名 （2021 ）
结合LSTM和GRU的集成深度学习模型（原始论文，2021 ）
基于双层注意力机制的 GRU 网络（原始论文，2018 ）
MI-LSTM：融合注意力机制的多输入LSTM（原始论文，2018 ）
HAN：规避低质量新闻的混合注意力网络（原始论文，2018 ）
MFN：纳入专家投资信号的多视图融合网络 （2020 ）
HATR：基于分层自适应时间关系网络的股票预测 （2021 ）
2.4.2 基于 CNN 的模型
U-：基于 CNN 架构的分层预训练（原始论文，2019 ）
KDTCN：一种知识驱动的时序卷积网络（原始论文，2019 ）
CNN--AM 预测股票次日收盘价（原始论文，2021 ）
FS-CNN-BGRU 混合股票预测模型（原始论文，2022 ）
基于 CNN-LSTM 前瞻指标股价预测（原始论文，2021 ）
TI-CNN：集成技术指标和卷积神经网络的股票交易模型（原始论文，2022 ）
2.4.3 基于 GNN 的模型
利用知识图谱整合公司信息的时态图卷积 TGC 模型（原始论文，2019 ）
用于股票预测的知识驱动事件嵌入（原始论文，2016 ）
HGNN：用于股票分类的分层图神经网络（原始论文，2022 ）
MSub-GNN：融合多源异构子图的股价预测（原始论文，2022 ）
鉴于文本向量的复杂性，新闻子图采用LSTM方法进行邻域节点聚合，而图形索引子图和交易数据索引子图则采用GRU方法实现邻域节点聚合
GAME：引导注意力多模态多任务网络（原始论文 2022 ）
LSTM-RGCN：长短期记忆关系图卷积网络（原始论文 2021 ）
SRS：基于时间图卷积的关系股票排名
：时空超图卷积网络（原始论文 2020 ）
MG-Conv：基于多图卷积神经网络的指数趋势预测（原始论文 2022 ）
HATS：用于股票走势预测的分层图注意力网络
MAN-SF 股票预测注意力网络（原始论文 2020 ）
AD-GAT：属性敏感的图注意网络对股票动量溢出效应建模
2.4.4 基于 的模型
Multi- 预测股票波动率（原始论文 2021 ）
用于股票预测的分层多尺度高斯 （原始论文 2020 ）
TEA：基于 机制的注意力网络进行股票预测（原始论文 2022 ）
：基于 的注意力网络用于股票趋势预测（原始论文 2022 ）
DTML：通过多级上下文的数据轴 进行多股票精准预测（原始论文 2021 ）
"> 是针对金融通信文本进行预训练的 BERT 模型
CapTE：基于 的胶囊网络用于股票走势预测（原始论文 2019 ）
HTML：基于层次的多任务学习用于波动率预测
GT3：基于文本驱动股市预测的门控三塔 （原始论文 2022 ）
BELT：一种利用新闻预测股价的模板（）（原始论文 2022 ）
使用 BERT 和 GAN 预测股价（原始论文 2021 ）
"> 是社交网络文本进行预训练的意大利语 BERT 模型
用于股票价格预测：吉布斯抽样方法（原始论文 2022 ）
应用 BERT 分析股市投资者情绪（原始论文 2020 ）
BERT 模型多层特征消融及其在股票走势预测中的应用（原始论文 2022 ）
交易事件：基于新闻驱动交易的公司事件检测
选择性扰动掩蔽（SPM）文本增强并用于股票预测（原始论文 2021 ）
2.4.5 强化学习模型
#待补充 （等看完《动手学强化学习》，补补基础再说）
2.4.6 其他深度学习方法
通过异构信息融合改进股市预测（原始论文 2018 ）
：深度生成模型根据推文和历史价格预测股票走势（原始论文 2018 ）
$$\begin{} \left\{\begin{}h_t^s=\{GRU}(x_t,h_{t-1}^s)\ \\h_t^z=\tanh(W_z^\phi
z_{t-1},x_t,h_t^s,y_t
+b_z^\phi)\ \\\mu_t=W_{z,\mu}^\phi h_t^z+b_{\mu}^\phi;log\^2=W_{z,\delta}^{\phi}h_{t}^{z}+b_{\delta}^{\phi}\ \\z_t=\mu_t+\\odot\\ \\g_t=\tanh(W_g
x_t,h_t^s,z_t
+b_g)\ \\{y}_t=(+b_y),t
Co-CPC：基于对比预测编码耦合了宏微观指标的股票表示
学习金融新闻文档的特定目标表示以进行累积异常收益预测（原始论文 2018 ）
：融合概率动态因子的变分自编码用于横截面股票预测
2.5 数据集和模型输入
内在数据：历史股价、财务指标和其他技术分析数据
外在数据：文本信息、基础数据、行业知识图谱等
细节：略
2.6 评价指标基于准确率的指标：准确率、召准率、召回率、F1、MCC基于误差的指标：MSE、MAE、RMSE、MAPE基于回报的指标：SR、IRR、AAR
细节：模型评价
风险指标：最大回撤（MDD）和年化波动率（AVol）
风险收益指标：卡尔玛比率（CR）、索尔蒂诺比率（SoR）和年化夏普比率（ASR）
2.7 未来方向和难题提高股市预测的泛化能力（容易过拟合；自监督会是一个不错的方向）结合在线学习和深度学习方法（缓解波动性、不确定性和噪音）改进股市预测的评估和数据集（考虑更与金融相关的风险指标）改进股市预测的时间序列异常检测（识别股票或市场的异常波动）考虑融合多种任务的持续学习来进行股票预测（在不同任务中积累经验）利用分布式强化学习进行股票交易（更好地评估收益分布，降低风险）将股票交易视为部分可观察马尔可夫决策过程（POMDP）；
很多强化学习算法都是建立在充分观察的 MDO 基础上，在金融市场中许多假设可能并不正确
解决思路 1：收集所有交易以充分观察动态，这可能需要大量存储和计算资源解决思路 2：基于模型的强化学习场景中的观察来近似动态
相关资源
