基于信息者的多时间序列股价预测框架：利用股票间相关性及商品价格数据

《Scientific Reports》：Multi-horizon stock price prediction with an informer-based framework leveraging inter-stock correlations and commodity inputs

　　

摘要

股票价格预测研究的一个重要目标是理解股票之间的关系以及它们随时间的变化情况，从而实现更准确的股票价格预测和投资组合风险评估。这有可能通过跨资产关系的变化，影响资产配置、价格预测以及长期的投资组合风险。在本研究中，我们构建了一个基于信息器的框架，用以探讨股票间关系和外生商品变量如何支持多时间范围的股票价格预测。所提出的方法结合了多源输入与编码器中实现的确定性正弦编码技术，解决了正确映射复杂的时间关系和跨资产关系的难题。研究考察了在高股票相关性情况下，时间和跨资产关系是否会影响指数内个股的价格波动。该框架同时使用了内生性输入（历史价格和技术指标）和外生商品输入（如原油、黄金和白银价格）。实验评估了四种特征选择方法，包括基于相关性的过滤、k最佳选择、Shapley加性解释（SHAP）以及全部特征集。在这些特征集中，基于SHAP的特征集在评估配置下取得了最佳的实证表现。所提出的模型采用时间序列交叉验证方法（k = 3, 5, 7）在四只股票（INFY、TCS、HDFC Bank和ICICI Bank）以及NIFTY 50指数上进行了测试，其平均决定系数（R2）为0.987，平均绝对百分比误差（MAPE）为3.098%，平均绝对缩放误差（MASE）为0.277，显示出比基准模型更好的性能。为了检验所提出框架的贡献，我们进行了对比实验，将其性能与Transformer、Autoformer和Reformer模型进行了比较。此外，我们还使用了基于规则的交易模拟，在简化的交易假设下对所提出的框架进行了盈利能力分析。最后，通过Wilcoxon符号秩检验和Diebold–Mariano（DM）检验对所提模型与基准模型进行了统计比较。结果表明，相关的股票输入提供了超出单个股票历史数据的有用信息，并提升了多时间范围的预测性能。