Meta-Stock：面向次新股价格预测的任务难度自适应元学习
计算工程、金融与科学
2023-08-23 v1
摘要
次新股价格预测，即预测上市不足一年的股票价格趋势，对有效的量化交易至关重要。尽管深度学习方法在预测老股价格方面已展现成效，但它们需要次新股所不具备的大规模训练数据集。本文提出Meta-Stock：一种用于次新股价格预测的任务难度自适应元学习方法。利用老股构成的预测任务，我们的元学习方法旨在获取可进一步适配至次新股价格预测任务的快速泛化能力，从而解决次新股的数据稀缺问题。此外，我们通过引入对任务难度变化敏感的自适应学习策略来增强元学习过程。通过小波变换，我们提取高频系数以表征股票价格波动，使元学习模型能基于波动量化的任务难度分配梯度权重。在涵盖三个股票市场、跨度二十二年的数据集上的大量实验证明，我们的Meta-Stock显著优于先前方法，并在真实股票交易中展现出强适用性。此外，我们评估了任务难度量化的合理性与自适应学习策略的有效性。
引用
@article{arxiv.2308.11117,
title = {Meta-Stock: Task-Difficulty-Adaptive Meta-learning for Sub-new Stock Price Prediction},
author = {Linghao Wang and Zhen Liu and Peitian Ma and Qianli Ma},
journal= {arXiv preprint arXiv:2308.11117},
year = {2023}
}