基于行业背景差异下的金融时间序列预测方法.pdfVIP

南京大学学报（自然科学）

第57卷第1期Vol.57,No.1

JOURNALOFNANJINGUNIVERSITY

2021年1月Jan.,2021

（NATURALSCIENCE）

DOI：10.13232/ki.jnju.2021.01.010

基于行业背景差异下的金融时间序列预测方法

温玉莲,林培光*

（山东财经大学计算机科学与技术学院，济南，250014）

摘要：股票市场预测可为投资决策提供重要依据，但在当前的量化投资领域，研究者大多基于单一行业对股票的金融

时间序列进行预测研究，忽略了行业背景差异下的股票特征信息；同时，还存在难以有效提取股票时序数据特征、股票情

感指标以及股票趋势预测不准确等问题.为解决上述问题，提出利用一种新的WBED（Word2vec⁃BiLSTMandEncoder⁃

Decoder）混合模型对不同行业背景下的股票信息进行时间序列预测研究.该方法采用WB模型进行情感分类，计算情感

值，获取情感指标；然后引入双注意力机制，在Encoder模型中利用特征注意力机制给股票时序数据特征赋予不同权重以

区别不同特征的重要程度，在Decoder模型中利用时间注意力机制给Encoder模型中LSTM的隐状态赋予不同权重以区

别不同时间维度信息的重要程度；最后，利用股票时序数据和情感指标进行股票预测.另外，考虑到不同行业背景下的股

票对象对模型超参数的敏感度可能不同，所以为不同行业的股票对象选择合适的超参数使模型的预测性能更好.参考

“2019中国上市公司500强”，选取三个行业中的九家上市公司股票作为研究对象，采用四种对比模型和四个模型评价指

标进行实验分析.实验结果表明，提出的新的混合模型在行业背景差异下的金融时间序列预测研究中有一定的优越性.

关键词：股票预测，注意力机制，情感分析，深度学习

中图分类号：O211.61，TP183，F831.51文献标识码：A

Financialtimeseriesforecastingmethodbasedon

industrybackgrounddifferences

WenYulian,LinPeiguang*

(SchoolofComputerScienceandTechnology，ShandongUniversityofFinanceandEconomics，Jinan，250014，China)

Abstract:Stockmarketforecastingcanprovideanimportantbasisforinvestmentdecisions.However，inthecurrentfieldof

quantitativeinvestment，mostresearchersconductpredictionresearchonfinancialtimeseriesbasedonthewholeindustry，and

ignorethecharacteristicsofstocksunderdifferentindustrybackgrounds.Atthesametime，thereareseveralproblems，suchas

inaccuratestocktrendprediction，difficultyinextractingthecharacteristicsofstocktimeseriesdataandstocksentiment

indicators.Tosolvetheseproblems，theWBED（Word2vec⁃BiLSTMandEncoder⁃Decoder）hybridmodelispr