一种基于张量的子模态坐标算法用于股票预测
机器学习
2018-05-22 v1 机器学习
摘要
股市投资易受互联网影响。为提高预测精度，我们提出了一种多任务股票预测模型，该模型不仅考虑股票间相关性，还支持多源数据融合。我们提出的模型首先利用张量整合多源数据，包括财经网络新闻、从社交网络提取的投资者情绪以及部分股票量化数据。以此方式，可捕获不同信息源之间的内在关联，同时多源信息可互补以解决数据稀疏问题。其次，我们提出一种改进的子模态坐标算法（SMC）。SMC基于股票相似性，旨在减小由张量分解产生的各维度子空间方差。该算法能够提升输入特征质量，从而改善预测精度。本文利用长短期记忆（LSTM）神经网络模型预测股价波动趋势。最后，在2015和2016年沪深100中的78只A股股票及13只热门港股上进行了实验。结果表明所提模型在预测精度上的提升及其有效性。
引用
@article{arxiv.1805.07979,
title = {A Tensor-Based Sub-Mode Coordinate Algorithm for Stock Prediction},
author = {Jieyun Huang and Yunjia Zhang and Jialai Zhang and Xi Zhang},
journal= {arXiv preprint arXiv:1805.07979},
year = {2018}
}