使用技术指标的深度学习架构用于次日股价预测的比较评估

《Mathematics》：Comparative Evaluation of Deep Learning Architectures for Next-Day Stock Price Forecasting Using Technical Indicators

　　

准确的次日股价预测仍然具有挑战性，因为每日价格变化的信噪比较低，并且可能受到短期新闻冲击、订单流失衡以及波动性或市场情绪的突然变化的强烈影响。本研究呈现了一项使用技术指标进行次日股价预测的深度学习架构的受控实证比较。利用涵盖四只大型纳斯达克股票（AAPL、META、SBUX和TSLA）的十年日数据集，通过将历史价格与五种广泛使用的技术指标——指数移动平均线（EMA）、相对强弱指数（RSI）、移动平均收敛散度（MACD）、平衡成交量（OBV）和平均真实范围（ATR）——相结合，构建了多变量输入序列。研究人员在多个回顾窗口（5、15和30个交易日）和按时间顺序的训练/验证/测试分割（60–20–20、70–15–15和80–10–10）下评估了四种深度序列架构——长短期记忆网络（LSTM）、双向LSTM（BiLSTM）、门控循环单元（GRU）和卷积LSTM（ConvLSTM）。通过随机搜索优化超参数，并使用归一化尺度均方根误差（RMSE）和样本外R²在保留测试集上评估预测性能。在所检查的固定时间顺序分割内，ConvLSTM在所有四只股票上均记录了最低的观测RMSE，数值介于0.0256和0.0394之间，且样本外R²值高于0.90。由于评估未包含滚动窗口验证或正式统计显著性检验，这些结果应被解释为当前实验设置内的描述性证据，而非普遍架构优越性的证明。为评估实际效用，研究人员将预测结果转化为一个透明的仅做多交易规则，即当预测的次日收盘价超过当前收盘价时入市。样本外回测显示，对于AAPL、SBUX和TSLA，无摩擦的预测驱动策略实现了比买入并持有更高的终端累计回报，而买入并持有对META仍保持优势。近似的五日频率风险调整估计通常强化了这些相对模式：ConvLSTM策略改善了AAPL、SBUX和TSLA的夏普比率、索提诺比率和卡尔玛比率，但TSLA仍面临较大的回撤风险。交易成本敏感性分析进一步表明，在交易摩擦下，终端回报收益减弱，且对AAPL尤为敏感。这些发现证明了通过统计和金融双重标准评估预测架构的价值，同时强调较低的点预测误差并不一定转化为更优的经济或风险调整后表现。

**论文解读**

**一、研究背景与问题**

金融市场的股价预测，尤其是次日股价预测，是量化金融领域长期面临的挑战。每日价格变化的信噪比极低，短期价格波动易受新闻冲击、订单流失衡、波动率突变及市场情绪转变等短暂因素的影响，使得传统线性模型难以捕捉其复杂动态。此外，金融收益序列具有波动率聚集、条件异方差等特征，进一步增加了预测难度。尽管存在这些困难，即使是微小的预测优势，若转化为系统性交易规则，也可能产生经济价值。技术指标，如指数移动平均线（EMA）、相对强弱指数（RSI）、移动平均收敛散度（MACD）、平衡成交量（OBV）和平均真实范围（ATR），因其能够简洁编码趋势、动量和市场压力，被广泛应用于交易分析。然而，这些指标在不同市场机制下的预测价值并不稳定，且线性模型或严格平稳性假设可能无法充分捕获其非线性关系。因此，研究人员旨在通过深度学习序列模型，结合技术指标，探究次日股价预测的可行性，并比较不同架构的性能。

**二、研究开展与结论**

本研究利用覆盖四只大型纳斯达克股票（AAPL、META、SBUX、TSLA）的十年日数据集，构建由历史价格及五种技术指标（EMA、RSI、MACD、OBV、ATR）组成的多变量输入序列。研究人员在多个回顾窗口（5、15、30个交易日）和三种时间顺序分割比例（60%–20%–20%、70%–15%–15%、80%–10%–10%）下，系统比较了四种深度序列架构：长短期记忆网络（LSTM）、双向LSTM（BiLSTM）、门控循环单元（GRU）和卷积LSTM（ConvLSTM）。通过随机搜索优化超参数，并使用归一化尺度均方根误差（RMSE）和样本外R²评估预测性能。研究发现，在所检查的固定时间顺序分割内，ConvLSTM在所有四只股票上均取得了最低的RMSE（0.0256至0.0394）和高于0.90的样本外R²，表明结合卷积特征提取与循环时序建模在预测任务中可能具有优势。然而，研究人员强调，由于未包含滚动窗口验证或正式统计显著性检验，这些结果应视为描述性证据，而非普遍架构优越性的证明。为评估实际效用，研究人员将预测结果转化为一个透明的仅做多交易规则。无摩擦回测显示，该策略对AAPL、SBUX和TSLA的终端累计回报优于买入并持有，但META上买入并持有仍占优。近似的五日频率风险调整指标（夏普比率、索提诺比率、卡尔玛比率）进一步强化了此模式，但TSLA仍面临较大回撤风险。交易成本敏感性分析表明，随着摩擦增加，收益优势减弱，尤其对AAPL敏感。该研究强调了通过统计和金融双重标准评估预测架构的价值，并指出较低的点预测误差并不必然转化为更优的经济或风险调整后表现。本论文发表在《Mathematics》。

**三、关键技术方法**

研究人员采用的关键技术方法包括：（1）数据来源：来自公开纳斯达克网页的十年（2013年7月18日至2023年7月17日）日数据集，涵盖四只大型股AAPL、META、SBUX和TSLA。（2）特征构造：将历史收盘价与五种技术指标（EMA、RSI、MACD、OBV、ATR）组合为多变量输入序列，并使用Min-Max归一化，归一化参数仅基于训练集拟合。（3）深度学习架构：比较LSTM、BiLSTM、GRU和ConvLSTM四种序列模型，均采用两层循环层（或ConvLSTM层）加Dropout和批量归一化，最后接线性输出层。（4）超参数优化：使用KerasTuner RandomSearch，在验证损失上选择最优超参数，每个配置最多5次试验，随后使用早停法重新训练。（5）评估协议：采用时间顺序训练/验证/测试分割（60%–20%–20%、70%–15%–15%、80%–10%–10%），回顾窗口长度设为5、15、30个交易日，共144个配置。预测性能通过RMSE和样本外R²评估，交易性能通过无摩擦和有摩擦的仅做多策略衡量。

**四、研究结果**

**6.1 预测性能比较**：通过对比每个架构在每只股票上的最佳配置，ConvLSTM在所有四只股票上均取得最低RMSE，平均RMSE为0.0300，平均排名1.00，分别比GRU、LSTM和BiLSTM低约27.4%、28.8%和33.3%。LSTM、BiLSTM和GRU的性能对回顾窗口和分割较为敏感，且无一架构在所有资产上表现一致。预测精度与交易性能并非一一对应：例如，META的预测指标最佳（RMSE=0.0256，R²=0.9770），但交易策略回报（1.53×）仍低于买入并持有（1.85×）。

**6.2 AAPL结果**：AAPL的预测可视化显示，LSTM和GRU能捕捉主要趋势但平滑了短期波动，BiLSTM存在持续偏差，而ConvLSTM最接近实际价格序列，准确跟踪了中期低谷和后续反弹。

**6.3 META结果**：所有架构均成功捕捉META的主要价格阶段，但ConvLSTM再次提供最精确的轨迹重建，BiLSTM也表现强劲，LSTM和GRU在快速上涨阶段平滑效应更强。

**6.4 SBUX结果**：SBUX价格序列呈现温和长期运动和后期的明显峰值与修正。ConvLSTM最忠实于实际序列，BiLSTM也表现良好，LSTM和GRU平滑效应更明显。

**6.5 TSLA结果**：TSLA波动性最高，ConvLSTM准确捕捉了主要低谷和反弹，响应突发变化更有效；BiLSTM存在较大正向偏差，LSTM和GRU也表现出平滑和局部偏差。

**6.6 跨资产比较与交易性能**：ConvLSTM在所有资产上实现了最低预测误差，但最佳回顾窗口因资产而异（META和SBUX为5天，AAPL为15天，TSLA为30天）。预测精度与终端累计回报之间无单调关系：META预测最优但交易欠佳，SBUX和TSLA预测误差较高却取得正回报差异。交易成本敏感性分析显示，随着交易成本增加，累计回报递减，AAPL的微弱优势在轻度成本下即消失，SBUX最稳健。风险调整指标（五日频率）显示，ConvLSTM策略对AAPL、SBUX和TSLA的夏普比率、索提诺比率和卡尔玛比率有改善，但TSLA的最大回撤仍极高（57.89%），META上买入并持有仍占优。

**6.7 讨论**：ConvLSTM的较强表现可能源于其结合局部特征提取（通过卷积核学习价格与指标间的局部组合）与循环时序建模（通过门控机制聚合回顾窗口信息）。但该模型并未直接从原始OHLCV学习技术指标，而是从预定义特征序列中学习表示。研究未包含指标消融实验或特征归因分析，也未进行滚动窗口验证或正式统计检验，因此结果不应视为普遍优越性证明。预测精度、终端回报和风险调整性能是相关但不同的评估维度。样本期覆盖了多种市场条件，但未进行机制分解。未来工作需扩展至更多资产、滚动窗口验证、统计检验、机制特定评估及更现实的交易假设。

**五、结论总结**

本研究利用技术指标增强的多变量序列，对四只大型纳斯达克股票（AAPL、META、SBUX、TSLA）进行次日收盘价预测。在所检查的固定时间顺序分割内，ConvLSTM在所有四只股票上均记录了最低的归一化尺度RMSE（AAPL: 0.0260, META: 0.0256, SBUX: 0.0290, TSLA: 0.0394），对应的样本外R²值分别为0.9220、0.9770、0.9043和0.9118。一个合理的架构解释是，ConvLSTM结合了局部特征提取与循环时序建模，使其能够学习所提供的价格和指标特征之间的组合，同时聚合回顾窗口内的信息。然而，这些结果来自固定时间顺序评估设置下的四只股票，属于描述性证据，并未建立ConvLSTM的统计显著性或普遍适用性，因为研究未包含匹配的显著性检验、滚动窗口验证或跨数据集和市场环境的更广泛复制。在预测精度之外，通过预测驱动的仅做多交易策略评估了预测的实际效用。该策略对AAPL、SBUX和TSLA实现了高于买入并持有的无摩擦终端累计回报，但对META则表现不佳。近似的五日频率风险调整指标总体上对AAPL、SBUX和TSLA的ConvLSTM策略有利；然而，TSLA策略仍保留极高的估计最大回撤，而买入并持有对META仍占优。交易成本敏感性分析进一步表明，随着交易摩擦增加，这些终端回报优势减弱。这些发现证实，强预测精度和更高的终端回报并不必然意味着稳健的风险调整后金融表现。这些结果的解释应在本研究范围内进行，即聚焦于四只大型纳斯达克股票和一组预定义技术指标。尽管检测了交易成本敏感性，但交易评估仍是一个简化的回测练习，并未完全考虑买卖价差、执行时机、市场影响、投资组合层面风险管理或其他实际实施约束。