MIGA：基于组聚合的混合专家股票市场预测
计算工程、金融与科学
2024-10-04 v1
摘要
股票市场预测长期以来一直是一个极具挑战性的问题，由于其内在的高波动性和低信息比例。基于机器学习或深度学习的现有解决方案通过在整个股票数据集上训练单个模型来生成跨所有股票类型的预测，显示出优异的性能。然而，由于股票风格和市场趋势的显著差异，单个端到端模型难以充分捕捉这些风格化股票特征的差异，导致对所有股票类型的预测都相对不够准确。本文提出一种新型的混合专家组聚合框架（MIGA），旨在通过动态切换不同的风格专家来为具有不同风格的股票生成专业化预测。为促进不同专家在 MIGA 中的协作，我们提出一种新颖的内部组注意力架构，使同一组内的专家能够共享信息，从而提升所有专家的整体性能。结果表明，MIGA 在包括 CSI300、CSI500 和 CSI1000 在内的三个中国股票指数基准测试中显著优于其他端到端模型。尤其值得注意的是，MIGA-Conv 在 CSI300 基准测试上实现了 24% 的年化超额收益，超越了前一最新进展模型 8% 的绝对收益。此外，我们对股票市场预测的混合专家进行了全面分析，为未来研究提供了宝贵的见解。
引用
@article{arxiv.2410.02241,
title = {MIGA: Mixture-of-Experts with Group Aggregation for Stock Market Prediction},
author = {Zhaojian Yu and Yinghao Wu and Genesis Wang and Heming Weng},
journal= {arXiv preprint arXiv:2410.02241},
year = {2024}
}