融合 K 线图视觉特征与板块层级关联趋势的多模态股价预测

《Pattern Recognition Letters》：Multimodal Fusion of Candlestick Visuals and Sector-level Relational Trends for Stock Price Prediction

　　

• •
  提出一种基于融合框架的股市走势预测方法。
• •
  采用基于CNN的编码器提取K线图形态特征。
• •
  提出一种交叉注意力机制来分析行业内模式。
• •
  构建一个盈利的投资组合，实现更高的收益。

引言

随着技术的进步，股票投资取得了巨大增长，并成为比其他投资方式更受欢迎的选择。股票投资提供短期和长期回报、抵御通货膨胀的能力、流动性以及多元化配置的优势。通过准确预测股价走势，投资者可以做出明智的决策、最大化利润并评估市场风险。与此同时，股价走势受众多因素影响，使其成为复杂且波动的建模系统。有效市场假说（EMH）[4]表明，预测股市是一项具有挑战性的任务，因为股价反映了所有可用信息。然而，人工智能通过处理复杂数据，显著提升了股市预测的能力。

研究人员采用传统机器学习模型[9]来预测未来的股价走势。尽管这些方法能够捕捉非线性关系，但受维度灾难的限制，且无法捕捉长距离时间模式。深度学习（DL）模型模拟人脑的学习过程，能够处理大型复杂数据并提取相关特征，已成为股市预测的主流方法，其性能优于传统机器学习模型[16]。

鉴于数据的波动性，整合多种数据源对于理解市场情绪和提高预测准确率至关重要。已有若干方法[7]、[11]、[14]、[20]、[22]分析各种数据源，包括市场数据、技术指标、情绪数据和行业依赖性。然而，大多数方法并未纳入K线图等技术指标。K线图在技术分析中发挥着至关重要的作用，能够有效地描绘价格波动和市场情绪。此外，近期的多模态方法并未明确建模行业内股票之间的相互联系如何影响个股走势。结合这些见解有助于通过提供对市场动态的全面理解来提升预测性能。我们提出了CRePFNet，一个端到端框架，将K线图视觉模式与行业内股票趋势模式相结合。本文的主要贡献总结如下：

• •
  我们提出了CRePFNet，一种端到端模型，将K线图表示与行业内部趋势模式相结合，以提高预测效率。
• •
  我们采用卷积神经网络（CNN）从K线图中捕捉视觉特征，并结合一种新颖的关系趋势编码器来建模行业内部股票对目标股票的影响。
• •
  我们在NIFTY-50股票上对CRePFNet进行了充分验证，其性能始终优于基线模型，并通过统计显著性检验确认了其稳健性。为证明其泛化能力，我们进一步评估了美国和中国的多个行业股票。
• •
  我们通过将CRePFNet应用于投资组合构建来验证其适用性。

章节摘要

相关工作

近期关于股票走势预测的研究越来越侧重于利用深度学习方法。

Phuoc等人[17]利用LSTM模型捕捉长距离时间模式以预测股价趋势。Lee等人[10]采用技术指标，利用基于注意力的BiLSTM模型捕捉趋势模式。Zhang等人[23]提出了一种混合模型，通过高效提取时间模式和长距离依赖关系来增强预测性能。

所提方法

本节详细讨论所提出的方法。目标是基于前l天的数据预测股票的上涨（1）或下跌（0）走势。

CRediT作者贡献声明

Manali Patel：撰写——初稿、软件、方法论、正式分析。Shreya Goyal：验证、软件、方法论。Krupa Jariwala：撰写——审阅与编辑、指导。Chiranjoy Chattopadhyay：撰写——审阅与编辑、可视化、指导、方法论、概念化。Sandeep Khanna：可视化、验证、软件。

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些关系可能会被认为影响本文所报告的工作。

Manali Patel | Shreya Goyal | Krupa Jariwala | Chiranjoy Chattopadhyay | Sandeep Khanna