今天窝牛号就给我们广大朋友来聊聊股票市场行情,以下关于的观点希望能帮助到您找到想要的财经。

前言

股票趋势预测是预测股票在未来的价格变化趋势，在定量交易和投资决策中有着重要的应用。信息在股票市场的传播对股价的影响十分巨大，然而由于股票市场结构的复杂性和信息的多样性，股价变动呈现出较强的波动性，这使得股票趋势预测变得极其困难。

现有的研究大都把每只股票当作一个单独的个体，或者以图来建模股票市场中复杂的高阶关系，缺少对股票与股票间、股票与行业间、行业与行业间相互影响的层次性和动态性考量。因此，针对现有的问题，本文对股票市场中的复杂关系进行建模，并开展了股票价格趋势预测研究。

首先，本文设计了一种能够捕获市场宏观趋势信息的网络架构，提出动态宏观记忆网络（DynamicMacroMemoryNetwork,DMMN）。该模型能够同时对多只股票的金融时序数据进行处理分析，从中动态提取出市场宏观信息。

在迭代处理每一个时间步的特征的时候，借助门控机制同时捕获到股票自身和全市场宏观信息的长期依赖。最终将宏观信息动态融入到每一个股票的微观表示中，综合股票的微观信息与全市场的宏观信息进行股票价格趋势预测。

其次，针对DMMN模型在宏观信息捕捉方面存在的缺乏市场层次性和复杂性考量这一缺陷，提出了一种宏观层次记忆网络（MacroHierarchicalMemoryNetwork,MHMN）。考虑到股票市场是一个十分复杂的系统，其中的股票来自于各行各业，并且行业之间也会相互影响，在提取宏观市场信息的时候遵循了“股票-行业-市场”这样的层次。

首先，在每个时间步上，先提取当前时刻的行业信息，然后考虑到每个行业对不同行业中股票的影响程度不同，本文从行业信息中按照不同的权重针对每个股票生成市场表示，然后再将包含宏观市场信息的市场表示融入到每个股票的微观表示中。

通过这种形式，不但将行业与行业、行业与股票之间的相互影响考虑进来，还增强了模型对市场局部环境的感知能力。最后，在公开数据接口收集了CSI300数据集，并进行了实验验证，除了使用F1值对分类效果进行评估以外，考虑到其实际应用价值，还根据模型的预测结果在测试集上构造了一组投资组合，通过评价投资组合的夏普比率来分析模型实际的收益能力。

一、特征嵌入

嵌入层的主要作用，就是对n个股票的原始D维特征序列进行特征嵌入，将其映射到一个高维空间中，并在模型训练的过程中，自动去判断哪个或哪些特征更加重要。本文使用了一个单层的全连接网络去进行特征嵌入：

融合层次性市场宏观信息与股票微观信息这里记忆层依旧采用循环神经网络的递归链式结构，在时间方向上迭代处理嵌入层得到的n个股票的特征序列，其结构如图所示。

记忆层结构图

本章中记忆层的市场宏观信息提取模块和股票表示提取模块增加了行业矩阵这一输入，并行处理时序数据，同时又相互依赖。

首先是市场宏观信息提取模块，其根据股票表示提取模块和市场宏观信息提取模块在上一时间步的输出和当前时间步输入的股票表示以及行业矩阵，动态生成当前时间步的m个行业的市场行业表示，其公式化描述如下：

接着是股票表示提取模块，其根据股票表示模块在上一时间步的输出、市场宏观信息提取模块当前时间步的输出，当前时间步的输入的股票特征和行业矩阵，初始值퐸0作为模型的参数，在训练前随机初始化，并随着模型的训练不断更新；而初始值퐻0由푋1经过一个全连接层映射得到，目的是使模型可以处理任意数量的股票序列。

股票表示提取过程与市场宏观信息提取过程交替进行，在每个时间步，先通过市场宏观信息提取模块提取到每个行业的宏观信息，然后将宏观信息融合到每个股票自身的微观表示中，实现层次性的宏观与微观信息融合。接下来的两个小节将对这两个模块进行详细介绍。

二、分层提取市场行业的宏观信息

本节将详细介绍如何在每个时间步的输入中提取出市场内行业的宏观信息，市场宏观信息提取模块的结构如图所示

市场宏观信息提取模块

在股票市场中，股票与股票、股票与行业、行业与行业之间存在着复杂的依赖关系。在同一行业中，股票往往会表现出相同的价格变化趋势，而不同行业由于存在产业链上下游的关系也常常会有相似的价格走势。

同时，面对同一社会热点，不同行业可能也会有截然不同的表现。股票市场结构复杂，信息多样，如果直接从中得到全体市场的表示，容易忽略市场局部特征，因此在得到全部市场宏观信息之前，先捕获市场中每个行业的信息，从而增强宏观信息提取模块对市场局部环境的感知能力。

三、股票表示提取与宏观层次信息融合

上一节介绍了市场宏观信息提取模块如何得到包含行业长期依赖的m个行业宏观表示，接下来本节将介绍如何把这m个行业宏观表示融合到每个股票的微观表示中，其结构如图从结构图中可以看到，股票表示提取模块和市场宏观信息提取模块一样也有一个门控单元，这两部分的门控单元结构一致，只是输入输出不同。

股票表示提取模块

接着是在行业矩阵的帮助下将市场中的宏观信息与微观信息进行融合。考虑到对于每个股票来说，不同的行业对自身的影响程度不同，因此股票表示提取模块以股票的行业类型的独热编码作为查询向量，计算出每个行业对于目标股票的重要程度，然后生成每个股票独一无二的市场宏观表示。

对于每个股票而言，MHMN和DMMN都是得到了一个和自身对应的市场宏观表示，但是不同的是，MHMN考虑到了市场的层次性和复杂性，先得到行业表示，再由行业表示得到每个股票对应的市场宏观表示，增强了对市场局部的感知能力，而DMMN直接从全体股票中得到目标股票的市场宏观表示。

这里，本节去掉了融合过程中的注意力机制，而是通过一个超参푎将两部分按照固定的比例进行融合。在后续的实验中本文将푎设置为0.5，以体现环境信息和股票自身表示信息同等重要的地位。

四、算法流程

基于4.3节中对MHMN模型的详细介绍，本节将对模型的算法流程进行介绍。首先，本章从n个股票的金融时间序列中构造出实例，每个实例中都保证n个股票在时间上对齐以确保实例中不同股票在时间上的统一性。

此外，本章利用股票的行业信息构造出行业矩阵。同时，在构造实例的时候，按照时间先后顺序，将样本划分为训练集、验证集、测试集，以避免发生信息泄露。在模型训练过程中，基于反向传播（BackPropagation）和梯度下降（GradientDescent）算法对模型参数进行更新。

五、实验结果分析

本章将基准方法与宏观层次记忆网络在5段数据集上进行实验，各自都进行了细致的调参，在最优参数的基础上使用不同的随机种子重复训练了5次，最终结果取平均值。首先是F1值的比较，结果如表4-5所示。其中，最优的结果被加粗标注，次优的结果被下划线标注。

实验结果表明，相较于DMMN，改进后的MHMN在5段数据上的表现有了一个较为全面的提升，在其中的4段数据上都获得了最好的预测性能。同时，在没有取得最好结果的第2段数据上，也取得了次优的结果。并且，5段数据集上的平均水平也达到了最好的效果。

CSI300的5个数据段上F1值实验结果表

CSI300的5个数据段上夏普比率实验结果表

这表明，按照“股票-行业-市场”的结构分层提取股票市场宏观信息既能充分描述出个股与宏观市场的相互依赖。因为对于每一个股票而言，不同行业的重要程度不同，并且对自身带来的影响可能完全相反。比如矿采行业与冶金工业就是正相关的两个行业，其中一个行业的蓬勃发展必然会促进另外一个行业的蓬勃发展，反之亦然。

但是电商行业和实体零售行业则属于完全竞争的两个行业，其中一个行业的蓬勃发展必然会夺走另外一个行业的部分生存空间，这使得两个行业的股票有时会出现负相关的现象。

此外，这种分层结构在提取市场宏观信息的时候，还能增强对股票市场局部环境的感知能力。股票市场作为一个十分复杂且庞大的系统，直接从中提取宏观信息会导致对市场的细节把握不足，掩盖掉了很多真实的细节。

通过这种分层的形式先来捕捉行业内的宏观信息，再针对每一个股票生成对应的全市场宏观信息，能够更加准确的感知到与目标股票最相关的市场信息，从而能够结合股票自身状况对市场情形做出更加准确的判断。接着是夏普比率的比较，结果如表其中，最优的结果被加粗标注，次优的结果被用下划线标注。

通过分析表结果可以看出，MHMN在大多数数据段都表现出了较好的效果，并且在最终的平均值也取得了最优的结果。这表明，使用MHMN方法在实际应用的时候，可以在承担更小的风险的情况下取得更高的收益。

本章提出了一种宏观层次记忆网络，以股票的金融时序数据和行业标识作为输入，同时对多只股票进行预测。该网络架构在迭代处理股票的金融时序数据的时候，不仅能够捕捉到每只股票的长期趋势，还能捕捉到行业的长期趋势。并且，考虑到股票市场中相互影响的复杂性，本章提出了动态层次性提取市场宏观信息的策略。

首先，从全体n个股票表示中动态得到股票市场中m个行业的行业表示，然后再针对每一个股票动态生成其特异性的市场表示以获得对其有用的市场宏观信息。这种分层的结构提升了模型对全市场的局部感知能力。

并且，本文在Tushare上收集了CSI300数据集，并将其分成5段，在这处于不同时期的5段数据集分别进行实验。实验结果表明，引入市场宏观层次信息确实能够缓解股价变化波动性带来的影响，提升模型性能，并且具备更高的实用价值。

结语

股票价格走势预、测是预测目标股票在目标交易日相较于前一日的价格变化趋势，属于分类任务。本文以股票的金融时间序列和股票基本信息为基础，分析了现有研究存在的问题并提出改进方案，设计出一种可以同时对多只股票进行趋势预测的网络结构，并考虑了股票、行业、市场等多种层次的信息。具体来说，本文做了以下几点工作：

1.现有的研究大都将股票视为一个独立的个体，忽略了股票之间的相互影响。有些研究提出利用金融领域的先验知识构建起股票之间的静态关系，然而受限于网络深度，这种方法下每个股票也仅能感知到市场的局部信息，并且缺少对股票间关系的动态性考量。

针对问题，本文提出一种动态宏观记忆网络（DMMN），其可以同时对多只股票进行预测，并动态从中捕获到市场的宏观趋势性信息。最后，将宏观信息与每个股票的微观信息进行融合，并通过这种方式间接捕获股票与股票之间的相互影响。

2.本文在公开数据服务接口上收集了CSI300数据集，并将该数据集按照不同时期分成5段，在每一段上独立的进行实验。在股票价格趋势预测任务中，DMMN在这5段数据集的4段表现出了最优的效果，剩下的1段也达到了次优的结果。并且，在这5段上的平均值为0.3914，也达到了最好的水平。此外，本文在实验中还引入了夏普比率，按照现实应用场景根据模型的预测结果设计出了一套投资组合，最终的收益情况也表明在本文提出的模型能够在更低的风险下获得更高的收益。

3.随后，本文考虑到股票市场的复杂性与层次性，提出了宏观层次记忆网络（MHMN），为每个股票引入自身的行业信息，不再直接提取市场的市场宏观信息，而是采用分层的形式，先提取行业信息，再汇聚成全市场的宏观信息。通过这种层次提取市场宏观信息的方式，进一步考虑到了不同行业对股票价格走势的影响，同时也增强了模型对市场局部的感知能力。

4.在本文收集到的CSI300数据集上的进行了大量的实验，实验结果表明，层次提取市场的宏观信息有助于提升模型的性能。在本文划分的5段数据上，大部分都取得了最优的F1值，平均值也达到了最高的0.403。票间的相互依赖十分复杂，本文仅利用了股票的行业信息来构建起股票之间的联系。

但在该领域其依旧有进一步改进的空间，除此之外，股票之间还包括更加丰富的其他联系，比如持股关系等值得被发掘。影响股票价格变化的因素十分复杂，社会舆论环境、时事新闻等都至关重要，如果能够将社会事件作为特征引入，无疑会对股票价格趋势预测带来提升。

今天的内容先分享到这里了，读完本文《股票市场行情的相关资讯》之后，是否是您想找的答案呢？想要了解更多，敬请关注baike.ccv168.com,您的关注是给小编最大的鼓励。

本站所发布的文字与图片素材为非商业目的改编或整理，版权归原作者所有，如侵权或涉及违法，请联系我们删除