“学海拾珠”系列之一百三十六：基于堆叠自编码器和长短期记忆网络的金融时间序列深度学习框架-20230413-华安证券-28页.docxVIP

敬请参阅末页重要声明及评级说明证券研究报告

金融工程

专题报告

基于堆叠自编码器和长短期记忆网络的金融时

间序列深度学习框架

——“学海拾珠”系列之一百三十六

1.《基金在阶段业绩不佳后会调整激进程度吗？——“学海拾珠”系列之一百二十八》

2.《基于盈利公告发布日期的交易策略——“学海拾珠”系列之一百二十九》

3.《媒体效应如何影响基金投资者和基金经理的决策？——“学海拾珠”系列之一百三十》

4.《股票市场流动性、货币政策与经济周期——“学海拾珠”系列之一百三十一》

5.《共同基金的长周期表现如何？“学海拾珠”系列之一百三十二》

6.《盈余公告前的已实现测度是否能预测公告后的股票收益？——“学海拾珠”系列之一百三十三》

7.《策略拥挤与流动性冲击——“学海拾珠”系列之一百三十四》

8.《基金窗口粉饰行为的新指标——“学海拾珠”系列之一百三十五》

主要观点：

主要观点：

本篇是“学海拾珠”系列第一百三十六篇，本文提出了一种深度学习算法在股价预测中的应用框架。近年来，深度学习算法得到了长足的发展。过去已有一些机器学习算法用于金融时间序列预测的相关案例，但关于深度学习在金融市场预测中应用的讨论仍然较少。本文提出的预测模型由三部分构成：Haar小波变换，堆叠自动编码器和长短期记忆神经网络模型。堆叠自编码器是模型的主要部分，它是一种无监督学习神经网络模型，用来提取金融时间序列的深层抽象特征。具体来说，它是一个由多个单层自编码器组成的神经网络，其中每一层的输出特征都作为下一自编码层的输入。自编码器的无监督训练是通过最小化输入数据和重构输出数据之间的误差来完成的，因此自编码器的隐状态是由输入数据中最核心的特征构成的，这是堆叠自编码器能够有效提取序列特征的根本保证。

l金融时间序列包含较强的噪声和波动性

时间序列预测的目的是通过收集和分析过去的观测数据，建立一个描述其内在关系的模型，然后根据所建立的模型预测变量的未来值。其中，金融时间序列预测，作为投资和财务决策中的一个重要问题，已经成为一个活跃的研究领域。然而，由于固有的噪声、非平稳和确定性混沌等特性，金融时间序列预测被认为是现代时间序列预测中最具挑战性的应用领域之一。

l统计学时间序列建模方法对于序列平稳性要求较高

在金融时间序列分析领域，研究人员经常需要解决序列不平稳而带来的一系列问题，统计学建模方法通常要求序列是平稳序列，对于非平稳序列则通常需要进行一些操作寻找其中地平稳特征，这是因为研究人员通常难以直接建立序列与时间之间的高度非线性映射，而神经网络模型有强大地拟合非线性函数的能力。

l神经网络模型智能化地提取数据中的重要特征

在数据挖掘的过程中，特征工程是非常重要的一个环节，经过这一过程，原始数据被转化为能更好地表达问题本质的数字特征，特征提取的质量直接影响到结果的准确性，神经网络模型让这一过程变得更加快捷和智能化。

l风险提示

文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。

敬请参阅末页重要声明及评级说明2/28证券研究报告

金融工程

正文目录

1引言 4

2方法阐述 6

2.1小波变换 7

2.2堆叠自编码器 8

2.3长短期记忆网络 10

3数据描述 13

3.1样本选择和输入变量 13

3.2数据来源 14

4实验设置 15

4.1预测方法 15

4.2模型表现评估 16

5结果展示 18

6结论 26

风险提示： 27

敬请参阅末页重要声明及评级说明3/28证券研究报告

金融工程

图表目录

图表1WSAES-LSTM模型结构示意图 6

图表2单层自编码器的结构图 9

图表3由4个ENCODER构成的5层SAES实例 10

图表4循环神经网络模型结构及按时间轴展开的逻辑结构 11

图表5LSTM的CELL结构 12

图表6CELL的内部结构 12

图表7输入变量的详细描述 14

图表8在整个样本周期内连续进行训练、验证和测