ResNLS：一种改进的股票价格预测模型
机器学习
2025-04-02 v2 计算工程、金融与科学
摘要
股票价格预测一直是一项具有挑战性的任务。尽管许多研究项目试图解决这个问题，但很少有人关注股票价格之间不同程度的依赖关系。在本文中，我们引入了一种混合模型，通过强调相邻股票价格之间的依赖关系来改进股票价格的预测。所提出的模型ResNLS主要由两种神经架构组成：ResNet和LSTM。ResNet作为特征提取器，用于识别股票价格之间的依赖关系，而LSTM则结合这些依赖关系（视为残差）分析初始时间序列数据。我们的实验表明，当使用前5个连续交易日的收盘价数据作为输入时，模型（ResNLS-5）的性能优于其他输入的情况。此外，ResNLS-5相比当前最先进的基线模型至少提升了20%。为了验证ResNLS-5能否帮助客户在股票市场中有效规避风险并获利，我们构建了一个量化交易框架进行回测。结果表明，基于ResNLS-5预测的交易策略能够在股价下跌时成功减少损失，并在股价上涨时期产生利润。相关代码已在GitHub上公开。
引用
@article{arxiv.2312.01020,
title = {ResNLS: An Improved Model for Stock Price Forecasting},
author = {Yuanzhe Jia and Ali Anaissi and Basem Suleiman},
journal= {arXiv preprint arXiv:2312.01020},
year = {2025}
}
备注
Accepted by Computational Intelligence 2023