面向增强多步预测的股票价格分词方法

有效的股票价格预测（估计未来价格）和预测（估计未来价格变动）对于投资者、监管机构和政策制定者至关重要。这些任务使其能够进行知情决策、风险管理、战略规划和实现更高的投组合收益。尽管其重要性，预测和预测都因股票价格数据的动态特性而具有挑战性，这些数据在分布和统计属性上表现出显著的时序变化。此外，尽管预测和预测目标源自相同的数据集，但其统计特征差异很大。预测目标通常遵循对数正态分布， characterized by 随时间而变化的均值和方差的显著偏移，而预测目标遵循正态分布。Furthermore，虽然多步预测和预测相较于单步方法提供更广阔的视角和更丰富的信息，但更具挑战性 due to 累积误差和长期时序方差等因素。因此，许多先前的工作要么解决单步股票价格预测，要么解决预测。为了解决这些问题，我们提出一种新模型，称为 Patched Channel Integration Encoder (PCIE)，用于处理股票价格预测和预测。在该模型中，我们利用多个股票通道覆盖历史价格和价格变动，并设计一种新颖的分词方法有效地嵌入这些通道，以实现跨通道和时序效率。具体而言，分词过程涉及单变量分块和使用通道混合编码器进行时序学习，以减少累积误差。全面的实验验证表明，PCIE 在预测和预测任务中超越当前的前沿模型。