英语原文共 27 页，剩余内容已隐藏，支付完成后下载完整资料
摘 要
股票预测旨在预测股票的未来趋势，以帮助投资者做出良好的投资决策。股票预测的传统解决方案是基于时间序列模型的。最近随着深度神经网络在序列数据建模方面的成功应用，深度学习成为股票预测的一个有前景的选择。
然而，大多数现有的深度学习解决方案并未针对投资目标进行优化，即选择预期收入最高的最佳股票。具体而言，他们通常将股票预测表述为分类(预测股票趋势)或回归问题(预测股票价格)。更重要的是，他们在很大程度上把股票视为相互独立的。股票(或公司)之间丰富关系中的有价值信号，如两个股票在同一个板块，两个公司有供应商-客户关系，则不予考虑。
在本工作中，我们为股票预测提供了一个新的深度学习解决方案，名为关系型股票排序(RSR)。我们的RSR方法在两个主要方面改进了现有的解决方案:1) 定制用于股票排序的深度学习模型，以及2)以时间敏感的方式捕捉股票关系。本工作的主要创新之处在于提出了一种新的神经网络建模组件，称为时间图卷积，它对股票的时态演化和关系网络进行了联合建模。为了验证我们的方法，我们对纽约证券交易所和纳斯达克两个股票市场的历史数据进行了回溯测试。大量实验证明了我们的RSR方法的优越性。它的表现优于最先进的股票预测解决方案，纽约证券交易所和纳斯达克的平均回报率分别为98%和71%。
关键词：股票预测，学习排序，基于图的学习
Abstract
Stock prediction aims to predict the future trends of a stock in order to help investors to make good investment decisions. Traditional solutions for stock prediction are based on time series models. With the recent success of deep neural networks in modeling sequential data, deep learning has become a promising choice for stock prediction.
However, most existing deep learning solutions are not optimized towards the target of investment, i.e., selecting the best stock with highest expected revenue. Specifically, they typically formulate stock prediction as a classification (to predict stock trend) or a regression problem (to predict stock price). More importantly, they largely treat the stocks as independent of each other. The valuable signal in the rich relations between stocks (or companies), such as two stocks are in the same sector and two companies have a supplier-customer relation, is not considered.
In this work, we contribute a new deep learning solution, named Relational Stock Ranking (RSR), for stock prediction. Our RSR method advances existing solutions in two major aspects: 1) tailoring the deep learning models for stock ranking, and 2) capturing the stock relations in a time-sensitive manner. The key novelty of our work is the proposal of a new component in neural network modeling, named Temporal Graph Convolution, which jointly models the temporal evolution and relation network of stocks. To validate our method, we perform back-testing on the historical data of two stock markets, NYSE and NASDAQ. Extensive experiments demonstrate the superiority of our RSR method. It outperforms state-of-the-art stock prediction solutions achieving an average return ratio of 98% and 71% on NYSE and NASDAQ, respectively.
Key Words：Stock Prediction, Learning to Rank, Graph-based Learning
目 录
第1章 绪论
据世界银行2017年报告的统计数据，全球股市总市值已超过64万亿美元。随着股票市场资本化程度的不断提高，股票交易已成为许多投资者青睐的投资工具。然而，投资者能否赚钱，很大程度上取决于他/她是否能做出正确的股票选择。股票预测旨在预测股票的未来趋势和价格，是最受欢的迎股票投资技术之一[36]，尽管金融经济学家对股市是否可预测（即有效市场假说）仍存在争议[28，31]。最近的一些证据表明了股票市场的可预测性，这促使人们进一步探索股票预测技术[20，26，38，43，49]。
传统的股票预测解决方案基于时间序列分析模型，例如卡尔曼滤波器[46]，自回归模型及其扩展[1]。给定一个股票的指标（例如股票价格），这种模型将它表示为一个随机过程，并采用该指标的历史数据来拟合该过程。我们认为，这种主流的股票预测解决方案有三个主要缺点：1）模型严重依赖于指标的选择，而指标的选择通常是手工完成的，如果没有金融方面的专门知识是很难优化的。2）假设的随机过程并不总是与现实世界中波动的股票相一致。3）这些模型只能考虑几个指标，因为它们的推理复杂度通常随着指标的数量呈指数级增加。因此，他们没有能力全面描述一只可能受到多种因素影响的股票。针对这些缺点，深度神经网络，特别是循环神经网络(RNNs)等先进技术已成为一种很有前景的解决方案，可以替代传统时间序列模型来预测股票未来走势或准确价格[4，49-51]。
基于神经网络的最先进的解决方案是状态频率存储器（SFM）网络[49]，它以循环的方式对历史数据建模，并捕获不同频率的时间模式。这种方法在预测未来一天50只美国股票的每日开盘价方面取得了良好的效果，均方误差（MSE）小于6美元。然而，我们认为这种预测方法对于指导股票选择是次优的，因为它们的优化目标不是选择预期收益最高的顶级股票。具体而言，它们通常将股票预测作为一项分类（价格变动方向）或回归（价格价值）任务来处理，这将导致投资收入的巨大差异。表1.1给出了一个直观的例子，其中预测性能较好的方法（通过回归MSE衡量）推荐了一个利润较低的股票。这意味着股票选择的实际目标与回归（分类）的优化目标可能存在差异，使得回归（分类）的最优方法不一定选择最优股票进行交易。
表1.1 一种更准确地预测股票价格变化的方法(即更小的均方误差)导致股票选择收益较低(即利润更小)。方法1选择股票A(30)，而方法2选择股票B(10)
|
实际价格 |
方法1 |
方法2 |
||||||||||
|
预测价格 |
性能 |
预测价格 lt;剩余内容已隐藏，支付完成后下载完整资料 资料编号：[237587]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
||||||||||
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
