基于编码器-解码器生成对抗网络的股票市场预测模型
机器学习
2025-10-14 v1 最优化与控制
摘要
股票价格的预测由于金融市场的波动性和非线性特性仍然具有挑战性。尽管深度学习展前景，但模式坍缩、训练不稳定以及难以捕获时序和特征层次相关性等问题，限制了 GAN 在此领域的应用。在本文中，我们提出一种基于 GRU 的编码器-解码器生成对抗网络 (EDGAN) 模型，在表达力与简单性之间取得平衡。该模型引入了关键创新，如带残差连接的时序解码器以实现精确重构，基于静态和动态协变量进行条件化以实现情境学习，以及一种窗口机制来捕获时序动态。在此框架下，生成器使用密集的编码器-解码器结构，包含残差 GRU 块。在多样化的股票数据集上进行的大量实验表明，EDGAN 在预测准确性和训练稳定性方面均优于传统 GAN 变体，在市场条件下实现了 forecasting accuracy 和收敛稳定性的持久优势。
引用
@article{arxiv.2510.10617,
title = {Encoder Decoder Generative Adversarial Network Model for Stock Market Prediction},
author = {Bahadur Yadav and Sanjay Kumar Mohanty},
journal= {arXiv preprint arXiv:2510.10617},
year = {2025}
}