基于注意力模块与新闻情绪的动态上下文依赖股票价格预测
计算金融
2022-05-04 v1 机器学习
摘要
金融中机器可读数据（如另类数据）的增长，需要能够处理非平稳与非参数数据的新建模技术。由于底层的因果依赖以及数据的规模与复杂性，我们提出了一种用于金融时间序列数据的新建模方法，即 -RIM（循环独立机制）。该架构利用键值注意力以上下文依赖且动态的方式整合自顶向下与自底向上的信息。为以这种动态方式对建模数据，该 -RIM 利用了指数平滑循环神经网络（可建模非平稳时间序列数据）与模块化且独立的循环结构相结合。我们将我们的方法应用于 S\&P 500 范围内三只选定股票的收盘价及其新闻情绪得分。结果表明，-RIM 能够反映股票价格与新闻情绪之间的因果结构，以及季节性与趋势。因此，该建模方法显著改善了泛化性能，即未见过数据的预测，并优于诸如长短期记忆模型等最先进的网络。
引用
@article{arxiv.2205.01639,
title = {Dynamic and Context-Dependent Stock Price Prediction Using Attention Modules and News Sentiment},
author = {Nicole Koenigstein},
journal= {arXiv preprint arXiv:2205.01639},
year = {2022}
}