学习通用多层次市场非理性因子以改进股票收益预测
机器学习
2025-02-10 v1
摘要
近年来，深度学习与量化交易的完美结合在股票投资领域取得了巨大成功。众多基于深度学习的模型被开发用于预测股票收益，利用神经网络强大的表征能力来识别影响股票价格的模式和因子。这些模型能够有效捕捉市场中的一般模式，例如股价趋势、量价关系和时间变化。然而，由于市场情绪、投机行为、市场操纵和心理偏差等特殊非理性因子相对抽象且缺乏明确的标签和数据描述，现有深度股票预测模型尚未充分考虑其影响。为填补这一空白，我们提出了 UMI，一种通用多层次市场非理性因子模型，以增强股票收益预测。UMI 模型从个股和整体市场两个层面学习能够反映市场非理性行为的因子。在个股层面，UMI 为每只股票构建一个与其实际价格存在协整关系的估计理性价格。实际价格与理性价格之间的差异作为指示个股层面非理性事件的因子。此外，我们将市场层面的非理性行为定义为市场内股票的异常同步波动。通过两个自监督表征学习任务，即子市场对比学习和市场同步性预测，UMI 模型将市场层面的非理性因素整合到一个市场表征向量中，该向量随后被用作市场层面的非理性因子。
引用
@article{arxiv.2502.04737,
title = {Learning Universal Multi-level Market Irrationality Factors to Improve Stock Return Forecasting},
author = {Chen Yang and Jingyuan Wang and Xiaohan Jiang and Junjie Wu},
journal= {arXiv preprint arXiv:2502.04737},
year = {2025}
}
备注
KDD2025