《IEEE Access》：From Time Series to Images: A GAF-ResNet-LSTM Framework for Asset Selection and Portfolio Optimization
编辑推荐：
本文推荐一种结合格拉米角差场(GAF)图像编码、残差网络(ResNet)和长短期记忆网络(LSTM)的混合深度学习框架，用于解决金融时间序列预测和投资组合优化的挑战。研究通过将股价序列转换为GAF图像，利用ResNet提取空间特征，LSTM捕捉时间依赖关系，并结合嵌套聚类优化(NCO)方法进行资产配置。实证结果表明，该模型在印度国家证券交易所25只股票数据上实现了21.05%的年化收益率和1.31的夏普比率，显著优于均值方差模型和等权重组合，为高风险偏好的投资者提供了有效的决策工具。
在金融市场中，准确预测股票价格走势并构建最优投资组合一直是投资者和研究人员面临的重大挑战。传统方法如马尔科维茨的均值-方差模型虽然奠定了现代投资组合理论的基础，但在处理高噪声、非线性的金融时间序列数据时往往表现不佳。随着人工智能技术的发展，深度学习模型为这一领域带来了新的突破，但如何有效结合空间特征提取和时间依赖关系捕捉，仍是当前研究的难点。
针对这一问题，研究人员提出了一种创新的GAF-ResNet-LSTM混合框架，通过将时间序列数据转换为图像格式，结合残差网络和长短期记忆网络的优点，实现更精准的资产价格预测和投资组合优化。该研究发表在《IEEE Access》期刊上，为金融时间序列分析和投资决策提供了新的思路和方法。
本研究采用了几项关键技术方法：首先，使用格拉米角差场(GAF)将股价序列转换为二维图像，保留时间序列的时空特征；其次，构建混合深度学习模型，其中ResNet-18网络提取GAF图像的空间特征，LSTM网络捕捉时间序列的长期依赖关系；第三，采用前向验证方法进行模型训练，避免数据泄露；第四，应用嵌套聚类优化(NCO)算法，基于资产相关性进行聚类分析，优化投资组合权重分配。实验数据来源于印度国家证券交易所2014-2024年25只股票的日度交易数据。
数据收集与预处理
研究选取印度国家证券交易所25只代表性股票，时间跨度为2014年1月至2024年1月，涵盖COVID-19等市场波动时期。数据经过严格清洗和对齐处理，使用复权收盘价作为基础数据。
GAF图像编码
通过格拉米角差场将一维时间序列转换为二维图像。具体过程包括：价格序列归一化、极坐标转换和差分角场计算，生成20×20像素的GAF图像，为后续卷积神经网络处理提供适配的输入格式。
ResNet-LSTM混合模型
模型采用ResNet-18作为特征提取器，处理GAF图像的空间信息；LSTM网络则学习时间序列的长期依赖关系。通过全局平均池化和位置编码，将segment-level特征整合为序列表示。
嵌套聚类优化(NCO)
基于皮尔逊相关系数和Ward连接法对资产进行聚类，先进行簇内优化确定资产权重，再进行簇间优化确定投资组合配置，最终重构完整权重向量。
模型评估与比较
研究采用准确率、精确率、召回率、F1分数等指标评估预测性能，使用年化收益率、波动率、夏普比率和最大回撤评估投资组合表现。与等权重组合、均值-方差模型等基准方法进行对比。
实验结果验证了GAF-ResNet-LSTM混合框架的优越性。在预测性能方面，该模型达到了0.672的准确率和0.642的加权F1分数，显著优于单一的GAF-ResNet和GAF-LSTM模型。特别是在下跌趋势的识别上表现出色，这对风险控制具有重要意义。
在投资组合表现方面，GAF-ResNet-LSTM+NCO组合实现了21.05%的年化收益率，夏普比率为1.31，最大回撤为-18.2%，在所有对比模型中表现最佳。统计检验进一步证实了其性能优势的显著性。
研究表明，通过GAF图像转换能够有效保留金融时间序列的时空特征，ResNet和LSTM的混合架构可以同时捕捉局部形态模式和跨时间段动态。结合NCO优化方法，该框架在资产选择和投资组合构建方面展现出显著优势，特别是在市场波动期间表现稳健。
该研究的创新点在于将图像处理技术引入金融时间序列分析，建立了端到端的深度学习框架。不仅提高了预测准确性，还通过聚类优化方法增强了投资组合的稳定性。未来研究方向包括引入更多元的数据源（如新闻情感、宏观经济指标），探索其他时间序列图像编码方法，以及结合强化学习实现动态资产配置策略。
