基于離散化和LSTM 神經網絡的股票指數趨勢預測研究

吉睿

（四川大學計算機學院，成都610065）

0 引言

在金融時間序列這個研究領域中，股票市場預測一直是一項受到各個領域研究者關注且極具挑戰性的任務。股票市場預測可以在一定程度上為投資者做投資決策時提供參考建議，也可以在一定程度上有效提高投資者的投資回報。金融時間序列預測，從最初傳統的統計方法，發展到機器學習[1]，再發展到深度學習[2]。最近幾年，由于深度學習的廣泛應用，使股票預測的結果表現更優。一般來說，由于股票價格具有非平穩性、非線性、高噪聲的特點，股票價格與其影響因素之間存在著復雜的非線性關系。傳統的統計學模型難以對其做出精度較高的預測，而神經網絡[3]以其良好的非線性逼近能力為股價預測提供了新的方法。這些任務基本可以分為兩類：一是預測未來股票漲、跌趨勢的分類問題；二是預測股票未來價格的回歸問題。目前大多研究中，預測某支股票未來的價格或者趨勢大多基于它自身的歷史數據[4-6]，例如收盤價、最高價、最低價、成交量等交易數據，或者根據交易數據進行一系列計算，得到一些對股票走勢有指導作用的相關技術指標，對股票進行預測。但是，通常影響股票走勢的因素有多個，這些因素包括：股票歷史交易數據、技術指標、企業的財務報表、宏觀經濟狀況、財經新聞、股民情緒、國家政策、政治事件等。針對當前使用股票歷史數據預測股市精度不高的問題，提出將連續型數值的股票技術指標特征離散化為一系列0、1 特征，同時加入宏觀經濟指標的方法應用于股票指數預測。

1 股指趨勢預測框架

本文主要工作是利用離散化的方法以及基于LSTM[7]長短時期記憶神經網絡對股票指數的漲、跌進行分類預測。主要包含以下幾個步驟，一是股票指數數據的采集，根據需要從股票歷史交易數據中選取相應時間段內的數據，并計算相應的技術指標，同時根據技術指標的特定含義對技術指標進行離散化處理，并將原始數據集劃分為訓練集和測試集；二是構建LSTM長短期記憶神經網絡預測模型；三是利用構建的模型完成對股票指數漲、跌的分類預測；四是對預測結果進行評估。整個實驗流程如圖1 所示。

2 數據預處理

2.1 數據來源

本文主要研究對象為滬深300 成分指數（399300.SZ）從2009 年8 月31 日至2018 年6 月25 日，滬深300 成分指數是從上海和深圳證券市場中選取的300支市值大、交易活躍以及流通性好的A 股，這些成分股覆蓋了市場上大部分流通市值的股票，能夠反映整個市場中主流投資的收益情況，從而反映整個股票市場的行情。歷史數據樣例如表1 所示。

表1 股票歷史數據樣例（399300.SZ，深滬300 指數）

2.2 股票技術指標

股票技術指標[8]是相對于基本分析而言的，技術指標是從過去的價格、時間、成交量等數據中通過不同的統計計算得到的，是一些衡量股價走勢的指標。技術指標通常由開盤價、收盤價、最高價、最低價、成交量等基本數據計算而來。本文也將使用一些常見的技術指標來完成對股票指數漲、跌的分類預測，用到的技術指標如表2 所示。

表2 技術指標

2.3 宏觀經濟指標

宏觀經濟指標是體現經濟狀況的一種方式，宏觀經濟狀況也是對本國股票市場影響的因素之一。文獻[9]的結論是，人民幣匯率的波動會影響中國大陸A 股市場的走勢。因此，增加宏觀經濟指標可以將更多信息引入LSTM 長短期神經網絡的預測中，提高預測的準確度。本文選擇了選擇兩種宏觀經濟指標：美元指數（以此來捕捉匯率對中國股市的影響）和上海銀行同業拆借利率（以此來捕捉利率對中國股市的影響）。它們均有可能影響股票市場的資金流動，從而影響股票指數的走勢。宏觀經濟指標如表3 所示。

表3 宏觀經濟數據樣例

2.4 歸一化處理

由于計算出的股票技術指標之間具有不同的量綱，同時數據范圍也具有較大差異，所有需要對不同量綱和不同數據范圍的數據進行歸一化處理，本文采用Z-score 標準化方法對數據進行處理，其公式為：

其中μ 表示均值，σ 表示標準差。

2.5 離散化處理

在通常的機器學習任務中，離散化[10]的運用通常是將連續特征離散化為一系列0、1 特征，然后再輸入到模型中，這樣做的優勢有以下幾點：離散特征的增加和減少都很容易，易于模型的快速迭代；稀疏向量內積乘法運算速度較快，同時計算結果方便存儲；離散化后的特征對異常值有很強的魯棒性，同時在一定程度上有去除噪聲的作用，模型會更加穩定；也起到了簡化模型的作用，降低模型過擬合的風險。而本文根據股票技術指標的具體含義，將連續型的股票技術指標數據轉換為0、1 的離散型數據。以離散化RSI 指標為例，RSI相對強弱指標計算公式如下：

RSI 是一個衡量在一段特定時期內股價的變動情況，來推測價格未來的變動方向的技術指標。RSI 的取值在0-100 之間，RSI 值由上向下突破50，代表股價已經轉弱。RSI 值由下向上突破50，代表股價已經轉強。當RSI 值高于80 進入超買區，股價隨時可能形成短期下跌趨勢。當RSI 值低于20 進入超賣區，股價隨時可能形成短期上漲趨勢。預計未來股票指數將會下跌將對應數據標記為0，預計未來股票指數將會上漲將對應數據標記為1。將表2 的技術指標離散化處理后，結果如表4 所示。

表4 技術指標離散化

3 基于LSTM的預測研究

3.1 LSTM介紹

長短期記憶神經網絡（Long Short-Term Memory，LSTM）是遞歸神經網絡（RNN）的一種，其主要是解決了RNN 在長序列的訓練過程中因梯度消失而無法學習到長期依賴的問題。LSTM 通過在其神經元內部加入了遺忘門f、輸入門i、輸出門o 和內部記憶單元c 有效解決了梯度消失問題，遺忘門f 控制輸入xt和上一層隱藏層輸出ht-1被遺忘的程度大小，輸入門i 控制輸入xt和當前計算的狀態更新到記憶單元的程度大小，輸出門o 控制輸入xt和當前輸出取決于當前記憶單元的程度大小，其結構如圖2 所示。

圖2 LSTM模型記憶單元內部結構

（1）xt是在t 時刻輸入記憶單元的向量

（2）Wf,Wi,Wc,Wo,Ui,Uf,Uc,Uo和Vo是權重矩陣

（3）bf,bi,bc和bo是偏置矩陣

（4）ht是記憶單元在t 時刻的值

（5）ft遺忘門在t 時刻的輸出值，遺忘門公式如下：

ft=σ(Wfxt+Ufht-1+bf）

（6）it是輸入門在t 時刻的輸出值，是當前單元狀態在t 時刻的候選值，輸入門計算公式如下：

（7）Ct是在t 時刻的單元狀態，單元狀態計算公式如下：

（8）ot和ht是輸出門在t 時刻的輸出值和時刻t 記憶細胞的值，輸出門計算公式如下：

3.2 訓練過程

模型預測方式為使用前20 個交易日的數據預測第21 日的漲、跌情況。訓練方式為取前80%的數據作為訓練集，取后20%作為測試集。整個過程一共可以分為三個部分，第一部分主要包括數據的預處理和股票技術指標的離散化處理，第二部分使用LSTM 模型進行分類預測獲得結果，第三部分對獲得的結果進行評估并嘗試不同的輸入。預測模型流程如表5 所示。

表5 預測模型流程

3.3 評估和分析

本文使用準確率對實驗結果進行評價，其結果如表6 所示。

表6 實驗結果

實驗結果表明在僅使用股票技術指標的情況下，對股票技術指標進行離散化處理后，模型預測準確率有較大提升，離散化在提高股票指數趨勢預測的準確度上是有效的。在使用技術指標和使用技術指標和宏觀經濟指標的情況下，加入宏觀經濟指標對模型的預測準確率也有相應的提升，宏觀經濟指標在提高股票指數趨勢預測的準確度上也是有效的。

4 結語

本文通過將連續型數值的股票技術指標根據其具體含義將其離散化為一系列0、1 特征，再結合宏觀經濟指標構建基于LSTM 長短期記憶神經網絡的股票指數預測模型，通過對實驗結果的分析后發現，離散化在提高股票指數趨勢預測的準確度上是有效的。