-
题名基于多模态特征小波分解的深度学习股价概率预测
- 1
-
-
作者
张永宇
郭晨娟
魏涵玥
-
机构
华东师范大学数据科学与工程学院
恒生电子股份有限公司
-
出处
《计算机科学》
北大核心
2025年第S1期758-768,共11页
-
文摘
构建了一种创新的基于多模态特征小波分解的深度学习股价概率预测模型(MWDPF)。该模型融合了动态连续特征、动态分类特征、静态连续特征和静态分类特征等多源异构信息,通过并行融合的策略充分挖掘不同特征子空间的互补信息,全面刻画影响股价波动的多重维度。该模型采用自回归递归神经网络架构,能够直接输出股价变化的概率分布预测,而非单一确定值预测,更加贴近实际股价呈概率分布的特征。另外,该模型引入小波分解技术,对原始时间序列进行去噪,自适应地过滤掉不同尺度下的噪声成分,提高了对内在波动规律的捕捉能力。实证分析阶段,采集了来自金融数据库和互联网论坛的多模态数据,通过缺失值填充、去极值、时间对齐等一系列预处理,以及精心的特征工程和模型优化,实现了优秀的预测性能,显著优于传统的统计学模型和深度学习模型,评价指标均有大幅改善。该模型产生的预测结果被用于构建了一个多因子选股策略,在实际回测中取得了可观的超额收益,进一步验证了该模型在实际投资决策中的有效性。该研究为股价预测提供了一种行之有效的解决方案,丰富了量化投资的理论和方法,具有重要的理论意义和应用价值。
-
关键词
概率密度预测
多模态异构特征融合
小波分解时频分析
自回归递归神经网络
投资组合超额收益
-
Keywords
Probability density prediction
Multi-modal heterogeneous feature fusion
Wavelet decomposition time-frequency ana-lysis
Auto-regressive recurrent neural network
Portfolio excess returns
-
分类号
F224-39
[经济管理—国民经济]
-
