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）

股票市场是国家经济发展的重要组成部分，预测股票价格走势对政府、投资者和投资机构有重要意义，吸引了很多学者进行研究.然而股票市场价格走势受政治、经济、法律、军事等多方面因素的影响，导致股票价格的不确定性和波动性很大，难以挖掘有效特征，这是研究的一大难题.

2006 年以来，“深度学习”［1］受到工业界和学术界的广泛关注，已成为人工智能发展的热门技术之一，在语音识别［2-3］、计算机视觉［4-5］等领域取得了巨大成功.从2013 年开始，在自然语言处理［6-7］领域也出现深度学习的应用浪潮.近年来，深度学习在时间序列研究领域［8-9］也取得了初步的成果，例如，Fischer and Krauss［8］使用LSTM（Long Short-Term Memory）深度学习方法进行指数时间序列预测研究，Lasheras et al［9］使用Elman RNN（Recurrent Neural Network）深度学习方法对大宗商品价格进行时间序列预测研究，均取得了较好的成果.股票时序数据研究是时间序列研究领域的重要模块，深度学习在其中的应用存在三个问题：第一，未来股票市场趋势预测受多方面因素的影响，如何有效选择、挖掘和提取影响股票预测的关键特征；第二，根据股票数据非线性和长期依赖关系的特点，如何有效地构建模型对未来股票市场趋势进行更准确的预测；第三，不同行业的股票对于模型的超参数的敏感度可能不同，如何根据不同行业的股票信息特征选择合适的超参数使模型的预测性能更好.

为解决上述三个问题，本文提出利用WBED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.首先，利用WB（Wrod2vec-Bi-LSTM）模型挖掘股民评论文本特征；……