用于股票波动率预测的深度对比多视角时空聚类

《Pattern Recognition》：Deep contrastive multi-view spatio-temporal clustering for stock volatility prediction

　　

• •
  DCMVC-TRANS：一种用于股票预测的对比多视图聚类Transformer。
• •
  对抗学习对齐三个数据视图的低层特征。
• •
  对比约束和KL标签对齐提高了聚类的可区分性。
• •
  Transformer自适应融合模块对视图进行加权，形成稳健的共识。
• •
  在238只中小盘股上：13.42%的收益率，1.007的夏普比率，18.26%的最大回撤。

引言

股票市场的复杂波动可能导致投资者遭受重大损失。因此，研究和预测股票价格走势对于寻求降低风险的投资者而言至关重要。神经网络具有强大的模拟复杂非线性关系的能力，并能在大规模数据集上进行高效训练，显著提高了股票价格预测的准确性。在此背景下，循环神经网络（RNN）[1]、长短期记忆（LSTM）网络[2]和门控循环单元（GRU）[3]等深度学习模型相继涌现，在股票价格预测中展现出巨大潜力。随着研究的深入，股票数据的非线性和波动特性使得单一预测模型不足以实现准确预测，越来越多的学者开始应用集成模型。Friday等人[4]提出了一种基于经验模态分解和深度学习的多尺度股票价格预测模型（多标签股票分类器，MLSC），该模型具有低错误率和高拟合度。Bai等人[5]开发了一种PSRU模型，对时间序列进行去噪处理，并引入动态多视角个性化相似度量（DMPSM）来解决奇点、时间偏移和畸变问题。

然而，真实的股票市场不仅受价格历史影响，还受到投资者情绪、企业披露和市场关系等外部信号的制约。Chen和Ye[6]将情感分析和数据挖掘与历史市场信息相结合，用于股票价格预测。最近，Zong等人[7]提出了MSGCA模型，利用门控交叉注意力机制来稳定数值指标、动态文档和关系图的融合，用于三向股票走势预测。这些研究激发了多源预测的动机，但仍然未能解决如何在不受噪声标签或主导视图控制共享表示的情况下，发现反复出现的跨视图市场结构。

从单源预测转向多视图学习不仅仅是简单地拼接更多变量。K线图编码了局部技术模式，论坛文本稀疏且迅速衰减，而宏观经济指标则是低频且具有持续性的。一个有监督的融合分类器可以直接拟合收益率标签，但它也可能将其表示绑定到标签噪声和短暂的关联上。在本研究中，聚类被用来在将聚类标识校准到三个收益率类别之前，发现反复出现的潜在市场状态。这种表示发现与标签校准之间的分离提供了一种明确的机制，用于利用无标签的跨视图结构、正则化噪声标签并强制异质视图之间达成一致。

三个与股票相关的难题促成了该架构的设计。首先，强制原始视图嵌入重合可能会抹去有用的私有信息，而让它们不对齐则会使跨视图的正样本不可靠。其次，情感、技术和宏观经济视图的可靠性随预测期限而变化，因此固定的融合规则并不合适。第三，即使在特征融合之后，特定视图的聚类分配也可能不一致。DCMVC-TRANS将这些难题作为连接机制来解决：对抗目标在低层去除视图识别分布线索；双重对比目标在两个不同的表示层级上保留样本身份和聚类语义；Transformer对由此产生的视图标记建模条件交互；基于方差的权重衰减低信息输出；KL对齐协调局部分配与全局共识。因此，后续模块处理的是由先前模块使其可比较的表示，而不是形成独立的标准组件集合。

本文的贡献总结如下：

• 1.
  我们将股票波动率预测定义为一个聚类引导的多视图预测问题，并明确区分了无监督状态发现、仅用于训练的聚类到类别校准以及跨期预测。
• 2.
  我们为交替的跨视图对齐形式化了判别器和编码器的目标，并引入了显式的实例级和聚类级对比损失，从而使表示学习阶段可复现。
• 3.
  我们区分了低层对齐和初步加权与高层Transformer交互和质量感知共识形成，然后在单一端到端目标中对齐局部和全局分配。
• 4.
  我们在三个预测期限、市场风格、因子组合和交易期限上评估了预测可靠性，并说明了特定指标的优势，而未声称具有普遍主导地位。

本文的其余部分组织如下。第2节回顾了股票波动率预测中集成模型的前沿研究以及多视图学习的基本结构。第3节介绍了DCMVC-TRANS算法，并详细说明了其五个核心模块的创新机制。第4节通过多维对比实验验证了不同时间窗口和市场指数下的预测性能，并辅以交易策略回测。第4.10节总结了模型的优势，讨论了局限性，并提出了未来方向。

章节摘要

多源股票走势预测

序列模型仍然是金融预测的常见起点。Reddy和Kumar[1]比较了循环神经网络与SVM，而Osman和Otaibi[2]比较了LSTM、Transformer和计量经济学的替代方案。Zhu等人[3]将交叉注意力机制引入改进的GRU，以捕获市场指标之间的交互作用。超越单一预测期限，Friday等人[4]将多期限趋势预测表述为多标签分类问题。Bai等人[5]解决了时间

模型构建

DCMVC-TRANS被组织为一个因果序列，而不是并行的特征块。视图编码器首先生成低层嵌入，然后交替的域对抗训练抑制视图识别分布线索。对齐后的嵌入随后被映射到实例空间和聚类空间，其中两个对比目标建立了跨视图样本对应关系和语义分离。只有在此对齐之后，Transformer才将视图视为标记并建模其条件

数据集描述

该跨领域数据集包含投资者评论文本、个股市场数据和宏观经济指标。我们使用基于锚点、分组感知的前向滚动设计，而非随机划分。输入结束时间从2008年1月到2021年12月构成训练期；2022年1月到2023年12月用于验证和模型选择；2024日历年作为时间缓冲被保留；2025年1月至8月作为独立测试期。对于每个期限 $h$,

CRediT作者贡献声明

刘恩生：形式分析、数据整理。穆圣东：项目管理、形式分析、数据整理。张安琪：可视化、监督、软件。

资助

本工作由江西大学人文社科研究项目2022（KG22101）、吉安市社科规划项目（26ZD005）、井冈山大学博士科研启动项目（自然科学）（JZB2209）和国家社会科学基金青年项目（编号22CGL070）资助，项目名称为"数字经济时代企业敏感数据跨境流动的安全风险研究：一个预警机制"

利益冲突声明

作者声明在发表本文过程中不存在利益冲突。

刘恩生|穆圣东|张安琪