SPH-Net: 一种用于准确股价预测的协同注意力混合模型
计算工程、金融与科学
2025-09-22 v1
摘要
股价走势预测在金融分析中是一项极具挑战性的任务，因为市场数据具有固有的波动性、非平稳性和非线性特征。本文提出了SPH-Net（股票价格预测混合神经网络），这是一种创新的深度学习框架，旨在提高金融市场中时间序列预测的准确性。所提出的架构采用了一种新颖的协同注意力机制，首先通过Vision Transformer处理时间模式，然后通过注意力机制进行精细的特征提取，从而捕捉市场数据中的全局和局部依赖关系。为了严格评估模型性能，我们在八个不同的股票数据集上进行了全面实验：AMD、Ebay、Facebook、FirstService Corp、Tesla、Google、Mondi ADR和Matador Resources。每个数据集使用六个基本市场指标进行标准化：开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）、调整后收盘价（Adjusted Close）和成交量（Volume），代表了全面市场分析的完整特征集。实验结果表明，SPH-Net在所有评估指标上持续优于现有的股票预测模型。该模型的优异性能源于其有效捕捉复杂时间模式的同时保持对市场噪声的鲁棒性。通过显著提高金融时间序列分析中的预测准确性，SPH-Net为投资者和金融分析师提供了宝贵的决策支持能力，可能有助于在波动市场条件下制定更明智的投资策略和风险评估。
引用
@article{arxiv.2509.15414,
title = {SPH-Net: A Co-Attention Hybrid Model for Accurate Stock Price Prediction},
author = {Yiyang Wu and Hanyu Ma and Muxin Ge and Xiaoli Ma and Yadi Liu and Ye Aung Moe and Zeyu Han and Weizheng Xie},
journal= {arXiv preprint arXiv:2509.15414},
year = {2025}
}