用于股票预测的端到端结构：新型持仓机制与改进 EMD
统计金融
2024-04-12 v1 人工智能
机器学习
摘要
作为时间序列预测的一个分支，股票走势预测是投资者和研究人员面临的挑战性问题之一。自从 Transformer 被引入用于分析金融数据以来，许多研究人员致力于使用 Transformer 或注意力机制预测股票走势。然而，现有研究大多关注个股信息，而忽略了股市信息以及股票数据中的高噪声。本文提出了一种使用注意力机制的新方法，同时考虑了股市信息和个股信息。同时，我们提出了一种基于 EMD 的新算法，用于降低股票数据中的短期噪声。我们使用从美国股市中随机选取的两只跨越十年以上的交易所交易基金（ETF）来展示所提出的基于注意力方法的优越性能。实验分析表明，所提出的基于注意力的方法显著优于其他 SOTA 基线。代码可在 https://github.com/DurandalLee/ACEFormer 获取。
引用
@article{arxiv.2404.07969,
title = {An End-to-End Structure with Novel Position Mechanism and Improved EMD for Stock Forecasting},
author = {Chufeng Li and Jianyong Chen},
journal= {arXiv preprint arXiv:2404.07969},
year = {2024}
}
备注
ICONIP 2023