MCI-GRU：基于多头交叉注意力与改进 GRU 的股票预测模型
统计金融
2025-08-27 v3 机器学习
计算金融
摘要
随着大数据时代金融市场日益复杂，准确的股票预测变得更加关键。传统时间序列模型，如 GRUs，已被广泛使用，但往往难以捕捉市场中复杂的非线性动力学，尤其是在灵活选择和有效利用关键历史信息方面。最近，图神经网络和强化学习等方法在股票预测中显示出前景，但需要高数据质量和大量数据，并且在处理数据稀疏和噪声时往往表现不稳定。此外，这些模型的训练和推理过程通常复杂且计算昂贵，限制了其在实际应用中的广泛部署。现有方法也 generally 难以有效捕捉不可观测的潜在市场状态，如市场情绪和期望、微观结构因素以及参与者行为模式，导致对市场动态的理解不足，从而影响预测准确度。为此，本文提出一种股票预测模型 MCI-GRU，基于多头交叉注意力机制和改进的 GRU。首先，我们通过替换重置门引入注意力机制来增强 GRU 模型，从而提高其在选择和利用历史信息方面的灵活性。其次，我们设计一种多头交叉注意力机制，用于学习不可观测的潜在市场状态表示，并通过与时序特征和横截面特征的相互作用进一步丰富这些表示。最后，在四个主要股票市场上的大量实验表明，该方法在多个指标上超越了 SOTA 技术。此外，其在实际基金管理操作中的成功应用证明了其有效性和实用性。
引用
@article{arxiv.2410.20679,
title = {MCI-GRU: Stock Prediction Model Based on Multi-Head Cross-Attention and Improved GRU},
author = {Peng Zhu and Yuante Li and Yifan Hu and Sheng Xiang and Qinyuan Liu and Dawei Cheng and Yuqi Liang},
journal= {arXiv preprint arXiv:2410.20679},
year = {2025}
}