基于时间序列分解和使用 OHLCT 图像的多尺度 CNN 股票价格预测方法
机器学习
2024-10-30 v2 人工智能
统计金融
摘要
最近，深度学习在股票预测中成为重要分支。基于图像的方法通过捕捉复杂的视觉模式和空间相关性，显示出在可解释性方面优于时间序列模型的潜力。然而，基于图像的方法更容易过拟合，限制了稳健的预测性能。为提高准确性，本文提出一种新方法，称为基于序列的多尺度融合回归卷积神经网络（SMSFR-CNN），用于预测中国 A 股市场的股票价格走势。通过利用 CNN 学习序列特征并将其与图像特征结合，我们提高了在 A 股市场股票数据集上进行股票趋势预测的准确性。该方法减少了图像特征的搜索空间，稳定了训练过程。4454 只中国 A 股股票的大量比较实验表明，该模型在预测第 5 天的正向预测值为 61.15%，负向预测值为 63.37%，总体利润为 165.09%。
引用
@article{arxiv.2410.19291,
title = {A Stock Price Prediction Approach Based on Time Series Decomposition and Multi-Scale CNN using OHLCT Images},
author = {Zhiyuan Pei and Jianqi Yan and Jin Yan and Bailing Yang and Ziyuan Li and Lin Zhang and Xin Liu and Yang Zhang},
journal= {arXiv preprint arXiv:2410.19291},
year = {2024}
}
备注
32 pages, 5 figures, 5 tables