LSR-IGRU：基于长短期关系与改进GRU的股票趋势预测
统计金融
2025-05-13 v3 计算工程、金融与科学
机器学习
摘要
股票价格预测是金融领域中一个极具挑战性的问题，受到广泛关注。近年来，随着深度学习与图神经网络等技术的快速发展，更多研究方法开始聚焦于探索股票间的相互关系。然而，现有方法多关注股票的短期动态关系，并将关系信息与时间信息直接整合，往往忽略了股票市场中复杂的非线性动态特征与潜在的高阶交互关系。因此，本文提出一种名为LSR-IGRU的股票价格趋势预测模型，其基于股票长短期关系与改进的GRU输入。首先，我们构建了股票间的长短期关系矩阵，其中首次采用二级行业信息以捕捉股票的长期关系，并利用隔夜价格信息建立短期关系。其次，我们改进了GRU模型每一步的输入，使模型能更有效地整合时间信息与长短期关系信息，从而显著提升预测股票趋势变化的准确性。最后，通过在中美两国股市的多个数据集上进行大量实验，我们验证了所提出的LSR-IGRU模型相较于当前最先进基线模型的优越性。我们还将该模型应用于某金融公司的算法交易系统，相比其他基线方法实现了显著更高的累积投资组合收益。我们的源代码发布于 https://github.com/ZP1481616577/Baselines_LSR-IGRU。
引用
@article{arxiv.2409.08282,
title = {LSR-IGRU: Stock Trend Prediction Based on Long Short-Term Relationships and Improved GRU},
author = {Peng Zhu and Yuante Li and Yifan Hu and Qinyuan Liu and Dawei Cheng and Yuqi Liang},
journal= {arXiv preprint arXiv:2409.08282},
year = {2025}
}