基于波动率加权损失函数的高保真股票价格预测混合深度学习框架

《Connection Science》：A novel hybrid deep learning framework with volatility-weighted loss for high-fidelity stock price prediction

　　

历史股票价格数据和技术指标，如收盘价、成交量及未平仓合约，被广泛应用于改进预测和市场理解。这些指标捕捉了趋势、波动性和潜在反转的关键信息，为交易者和分析师提供了可操作的洞见。本研究利用四种提出的混合时序特征整合网络（Hybrid Temporal Feature Integration Network，HTFIN）模型，对Visa、Mastercard以及主要加密货币（比特币、以太坊和莱特币）进行预测建模研究。每种模型均整合了位置编码、Transformer块、卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆网络（Long Short-Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU），以捕捉金融时间序列中的局部依赖性和长程时序模式。其中，HTFIN4展现出最强的预测能力，在准确性方面取得了显著提升。例如，当采用所提出的波动率加权方向损失（Volatility-Weighted Directional Loss，VWDL）而非均方误差（Mean Squared Error，MSE）进行训练时，Visa的决定系数R2从0.9902提升至0.9978，Mastercard的R2从0.9932提升至0.9986。VWDL通过最小化误差、纳入波动率并强调方向正确性来提升性能。混合主成分分析-自编码器（PCA-autoencoder）进一步增强了特征选择，减少了冗余和噪声。使用配对t检验进行的统计验证确认了这些改进具有高度显著性（p < 0.001）。总体而言，采用VWDL的HTFIN4能有效适应股票和加密货币市场，支持实际预测应用。

论文解读：基于波动率加权损失的高保真股票价格预测混合深度学习框架

一、研究背景与问题

股票价格预测是金融市场中的关键任务，其准确性直接影响投资策略的制定和决策质量。传统经济模型通常依赖线性关系，难以捕捉金融市场的复杂非线性动态。近年来，机器学习和深度学习技术的进步为提升预测精度提供了新途径，尤其是能够有效建模时间序列数据的混合架构，如长短期记忆网络（LSTM）、门控循环单元（GRU）和卷积神经网络（CNN）。然而，现有研究仍面临若干挑战：一是金融时间序列同时包含短期局部波动和长期趋势依赖，单一架构难以全面捕捉；二是标准回归损失函数（如均方误差MSE）仅关注数值误差最小化，忽略了交易实践中至关重要的价格变动方向预测准确性；三是金融市场的波动性特征使得模型在高波动时期的表现不稳定。针对上述问题，本研究旨在构建一种能够整合多种深度学习架构优势、同时兼顾预测方向准确性和波动敏感性的新型预测框架。

二、研究内容与主要结论

研究人员提出了四种混合时序特征整合网络（HTFIN1至HTFIN4）模型，每种模型均整合了位置编码、Transformer块、CNN、LSTM和GRU组件，以同时捕捉金融时间序列中的局部依赖性和长程时序模式。其中HTFIN4整合了全部四种架构组件，展现出最强的预测能力。为克服传统损失函数的局限，研究人员提出了一种新的波动率加权方向损失（VWDL）函数，该函数在最小化误差的同时，强调价格变动方向预测的正确性，并在高波动时期对误差施加更重的惩罚。此外，研究采用混合主成分分析-自编码器（PCA-autoencoder）方法进行特征选择，有效降低数据维度并减少冗余和噪声。实验结果表明，采用VWDL训练后，Visa的R²从0.9902提升至0.9978，Mastercard的R²从0.9932提升至0.9986，配对t检验确认改进具有高度统计显著性（p < 0.001）。该框架同样适用于比特币、以太坊和莱特币等加密货币的预测，展示了良好的跨市场适应性。

三、关键技术方法

研究采用的主要技术方法包括：（1）数据预处理，对2450个交易日的历史数据（来源于Mendeley Data公共数据库，涵盖Mastercard和Visa股票）进行归一化、缩放及基于Z-Score和四分位距（IQR）的异常值检测与剔除；（2）特征工程，提取24种技术指标，包括简单移动平均（SMA）、指数移动平均（EMA）、相对强弱指数（RSI）、MACD、布林带、平均真实波幅（ATR）等；（3）混合特征选择，先通过主成分分析（PCA）保留95%方差，再经自编码器捕捉非线性关系，最终生成编码特征；（4）四种HTFIN混合深度学习模型，整合位置编码、Transformer块、CNN、LSTM和GRU组件；（5）波动率加权方向损失（VWDL）函数，联合优化误差最小化、方向正确性和波动率敏感性；（6）采用贝叶斯优化结合5折交叉验证进行超参数调优。

四、研究结果

1. 探索性数据分析（EDA）与特征工程

研究人员对Visa和Mastercard股票数据进行了系统的探索性分析，确认数据集无缺失值，价格特征近似正态分布，成交量存在明显偏态和异常值。通过移动平均和异常值检测可视化，识别出价格趋势和波动模式。相关性分析显示开盘价、收盘价、最高价和最低价之间存在强正相关，而成交量与价格特征相关性较弱。

2. 混合PCA-自编码器特征选择

对Mastercard数据应用PCA后保留了7个主成分（PC1至PC7），累计解释95%以上方差，其中PC1（41.63%）由RSI、CMO和CCI等振荡指标主导，PC2（30.95%）受移动平均和布林带影响。对Visa数据保留了6个主成分，PC1（41.94%）同样由振荡指标主导。随后应用自编码器进一步压缩特征，生成AE_Feature系列新特征，有效捕捉了PCA无法建模的非线性关系。

3. 统计差异分析

独立t检验显示，Visa的t统计量为-5.13，p值约为0.0000095；Mastercard的t统计量为-3.21，p值为0.0027，均显著低于0.05阈值，表明两个时期之间的平均收盘价存在统计学显著差异，强调了考虑时期变化在预测模型中的重要性。

4. 模型性能评估

在Visa数据集上，四种HTFIN模型的MSE范围为0.000176675（HTFIN2）至0.000229865（HTFIN4），MAE范围为0.009268295至0.011665539，R²范围为0.9779（HTFIN1）至0.9902（HTFIN4）。采用VWDL后，HTFIN4的R²进一步提升至0.9978。在Mastercard数据集上，HTFIN4同样表现最佳，R²从0.9932提升至0.9986。配对t检验确认VWDL带来的性能改进具有高度统计显著性（p < 0.001）。

五、讨论与结论

研究讨论指出，VWDL损失函数的引入使预测建模过程更贴近真实金融目标，通过同时纳入方向性和波动率，增强了模型在高波动市场中的鲁棒性，提升了价格变动幅度和方向预测的准确性。混合PCA-自编码器特征选择方法有效降低了数据维度，同时保留了关键的线性和非线性市场信息。四种HTFIN模型的系统比较表明，整合Transformer、CNN、LSTM和GRU全部组件的HTFIN4具有最强的时序特征捕捉能力。研究结论认为，采用VWDL的HTFIN4能够有效适应股票和加密货币市场，支持实际预测应用，为金融时间序列预测提供了一种兼顾精度、方向正确性和波动适应性的综合解决方案。