鄭樹挺，徐菲菲

(上海電力大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，上海 200000)

0 引 言

金融市場被認(rèn)為是世界經(jīng)濟(jì)的核心，每天交易額巨大，對市場未來行為的預(yù)測對投資者來說具有重要的價(jià)值，包括股票市場、貨幣匯率[1]、原油價(jià)格[2]、商品價(jià)格和比特幣[3]等加密貨幣。由于市場的動(dòng)態(tài)和嘈雜的行為，市場預(yù)測也是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)，吸引了較多學(xué)者的關(guān)注。

對股票市場的預(yù)測是一個(gè)非常具有挑戰(zhàn)性的問題，影響股票市場價(jià)格有很多因素，如公司新聞和業(yè)績、行業(yè)表現(xiàn)、投資者情緒、社交媒體情緒和經(jīng)濟(jì)因素，用于預(yù)測的特征更是多種多樣：價(jià)格數(shù)據(jù)，歷史數(shù)據(jù)的技術(shù)指標(biāo)，與個(gè)股有關(guān)的其他市場價(jià)格波動(dòng)，貨幣匯率，油價(jià)等。自動(dòng)提取特征并進(jìn)行準(zhǔn)確的市場預(yù)測受到了較多學(xué)者的關(guān)注。

現(xiàn)有的金融市場分析方法一般分為兩大類，一是基本面分析，另一個(gè)是技術(shù)分析。

在技術(shù)分析中，目標(biāo)市場的歷史數(shù)據(jù)和其他一些技術(shù)指標(biāo)均是預(yù)測的重要因素。根據(jù)有效市場假設(shè)[4]，股票價(jià)格可以反映出它們的所有信息。技術(shù)分析通過分析以前的價(jià)格數(shù)據(jù)和技術(shù)指標(biāo)預(yù)測市場價(jià)格的未來趨勢。而基本面分析研究證券投資的內(nèi)在價(jià)值，可以通過獲取相關(guān)資產(chǎn)(主要是股票或交易所交易基金)的財(cái)務(wù)報(bào)表的詳細(xì)信息來實(shí)現(xiàn)，如現(xiàn)金流量、增長率、貼現(xiàn)因子、每年折扣和資本化率等，以深入了解公司的未來發(fā)展前途?；久娣治鐾ǔＳ糜跊Q定應(yīng)選擇哪種股票進(jìn)行交易。

已經(jīng)有多種機(jī)器學(xué)習(xí)技術(shù)廣泛應(yīng)用于金融市場的預(yù)測，并取得了一定的效果，其中神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(support vector machine，SVM)[5-7]使用的最多，例如，趙澄[8]使用SVM來預(yù)測金融新聞對股票市場的影響。此外，隨機(jī)森林[9]、遺傳算法[10-13]、集成學(xué)習(xí)[14-15]等技術(shù)也已成功應(yīng)用于從原始金融數(shù)據(jù)中提取特征并基于特征進(jìn)行預(yù)測[16-17]。

深度學(xué)習(xí)(deep learning)[18-19]是一類適合自動(dòng)特征提取和預(yù)測的方法，在許多領(lǐng)域如機(jī)器視覺、自然語言處理以及語音信號處理，深度學(xué)習(xí)方法能夠從原始數(shù)據(jù)或更簡單的特征逐漸構(gòu)建有用的復(fù)雜特征。由于股票市場的行為是復(fù)雜的、非線性的，而且股票數(shù)據(jù)具有噪聲，提取出準(zhǔn)確的特征以進(jìn)行預(yù)測面臨著巨大的挑戰(zhàn)。研究者嘗試了多種深度學(xué)習(xí)算法用于預(yù)測股票市場，如：深層多層感知器(MLP)[20]、Restricted Boltzmann Machine(RBM)[21-22]、Long Short-Term Memory(LSTM)[23-25]、Auto-Encoder(AE)[26]和Convolutional Neural Network(CNN)。

Periso & Honchar[27]將CNN用于股票分析中，根據(jù)收盤價(jià)的歷史數(shù)據(jù)進(jìn)行預(yù)測，由于忽略了技術(shù)指標(biāo)等其他可能的信息數(shù)據(jù)，預(yù)測的準(zhǔn)確率并不高。Gunduz[28]將每個(gè)樣本的相關(guān)技術(shù)指標(biāo)送入CNN中，提高了預(yù)測的準(zhǔn)確率。Ding[29]通過對上市公司發(fā)出的公告進(jìn)行事件提取來進(jìn)行預(yù)測股價(jià)走向；Nguyen[30]、劉斌[31]則是基于社交媒體情緒分析的主題建模，然后用于股票市場預(yù)測?；谖谋拘畔⑻幚淼姆椒m然取得了一定的效果，但因?yàn)槟壳白匀徽Z言處理技術(shù)中語義理解方面仍然是一個(gè)難題，所以有一定的局限。

總體來說，現(xiàn)有的機(jī)器學(xué)習(xí)應(yīng)用于股票預(yù)測主要分為兩類方法。第一類包括通過增強(qiáng)預(yù)測模型來提高預(yù)測性能的算法，而第二類算法側(cè)重于改進(jìn)基于預(yù)測的輸入特征。雖然現(xiàn)有的研究取得了一些成果，但預(yù)測的準(zhǔn)確率有待進(jìn)一步的提升。該文通過改進(jìn)Self-Attention結(jié)構(gòu)，分別對日線數(shù)據(jù)、分時(shí)線數(shù)據(jù)以及籌碼結(jié)構(gòu)進(jìn)行編碼并融合信息。實(shí)驗(yàn)結(jié)果表明，所提方法能夠有效提升股票未來走勢的判斷準(zhǔn)確率并提高投資收益率。

1 相關(guān)研究

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)已經(jīng)被證實(shí)適合處理時(shí)間序列數(shù)據(jù)，圖1所示為RNN的結(jié)構(gòu)。

圖1 RNN結(jié)構(gòu)示意圖

令s為隱藏層的第t步的狀態(tài)，它代表了網(wǎng)絡(luò)的記憶單元。s的計(jì)算公式見式(1)：

s=f(Ux+Wh)

(1)

其中，f一般是非線性的激活函數(shù)，如sigmoid或tanh。RNN通過Backpropagation Through Time (BPTT)算法更新參數(shù)，然而缺陷是無法處理序列長度過大的數(shù)據(jù)，因?yàn)闀?huì)帶來梯度消失或梯度爆炸的問題。當(dāng)然，目前已經(jīng)提出多種方法解決這個(gè)問題，如LSTM、GRU。

LSTM與GRU在結(jié)構(gòu)上很相像，在Transformer出現(xiàn)之前是處理時(shí)間序列問題的主流算法，如圖2所示為一個(gè)LSTM cell的網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 LSTM結(jié)構(gòu)示意圖

具體來說，在LSTM循環(huán)單元中包含三個(gè)門(gate)，F(xiàn)orget gate決定要扔掉哪些信息，計(jì)算公式見式(2):

f=σ(Wf·[a,x]+bf)

(2)

Updating gate決定要增加哪些新的信息，計(jì)算公式見式(3)：

i=σ(Wi·[a,x]+bi)

(3)

Forget gate和Updating gate一起決定了“長記憶”c，計(jì)算公式見式(4)、(5):

(4)

(5)

Output gate決定了“短記憶”a，計(jì)算公式見式(6)、(7):

o=σ(Wo·[a,x]+bo)

(6)

a=o·tanh(c)

(7)

可以看出，在實(shí)際使用時(shí)，幾個(gè)門值不僅僅取決于a和x，還可能會(huì)取決于上一個(gè)記憶細(xì)胞的值c。雖然在LTSM上引入Attention機(jī)制后在很多任務(wù)上可以達(dá)到更好的效果，不過LSTM本身的序列依賴結(jié)構(gòu)有個(gè)很大的缺陷，就是難以具備高效的并行計(jì)算能力。

Transformer[32]是谷歌在2017年發(fā)布的一個(gè)全新的網(wǎng)絡(luò)結(jié)構(gòu)，Transformer本質(zhì)上就是一個(gè)Attention結(jié)構(gòu)，它能夠直接獲取全局的信息，而不像RNN需要逐步遞歸才能獲得全局信息，也不像CNN只能獲取局部信息，并且其能夠進(jìn)行并行運(yùn)算，要比RNN快很多倍。Transformer中一個(gè)重要的結(jié)構(gòu)是Multi-Head Attention，計(jì)算公式見式(8)，其中headi的計(jì)算公式見式(9)：

MultiHead(Q,K,V)=Concat(head1,head2,…,

headh)Wo

(8)

(9)

這里的Multi-Head的含義是，每個(gè)Transformer結(jié)構(gòu)會(huì)由多層結(jié)構(gòu)完全一樣，但權(quán)重矩陣不同的Attention組成，也就是Self-Attention結(jié)構(gòu)。這么做的目的是為了防止模型只關(guān)注到一部分特征，卻忽略了其他特征，所以增加模型的厚度，讓模型擁有多層結(jié)構(gòu)相同但是權(quán)重不同的Attention，每一個(gè)head都關(guān)注到不同的特征，那么模型整體就會(huì)關(guān)注到更多的特征。

2 基于改進(jìn)Self-Attention的股票預(yù)測

2.1 數(shù)據(jù)獲取

實(shí)驗(yàn)采用的數(shù)據(jù)將是從2018年1月1日到2019年10月31號、上證50成份股中的股票數(shù)據(jù)。數(shù)據(jù)獲取途徑均是從網(wǎng)絡(luò)上爬取下載獲得，從滬股通官網(wǎng)獲取到每日上證股票的港資持股量以及所占個(gè)股比例，從上海證券交易所官網(wǎng)獲取到每日個(gè)股的融資余額、融資買入額以及融資償還額，其他的分別是從“同花順”、“東方財(cái)富”等網(wǎng)站獲取。Input0包括K線數(shù)據(jù)，例如：開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)、日成交量、日成交額、換手率、MA5、MA10、MA20、MA30、市盈率、市凈率等，以及個(gè)股的滬股通數(shù)據(jù)、融資融券數(shù)據(jù)、資金流向數(shù)據(jù)(小、中、大、特大單的買入賣出量以及買入賣出額，以及凈流入量和凈流入額)等；Inpu1包括分時(shí)線數(shù)據(jù)，包含分時(shí)價(jià)格和分時(shí)成交量；Input2包括籌碼結(jié)構(gòu)信息。

2.2 時(shí)序數(shù)據(jù)處理

因?yàn)楂@取到的K線數(shù)據(jù)是未復(fù)權(quán)的，所以從2019年10月31號開始向前復(fù)權(quán)。將所有跟成交量有關(guān)的數(shù)據(jù)的單位統(tǒng)一轉(zhuǎn)換成“手”(1手等于100股)，將所有跟金額有關(guān)的數(shù)據(jù)的單位統(tǒng)一轉(zhuǎn)換成“萬元”。下載的滬股通數(shù)據(jù)包括總持股數(shù)量和總持股占比，由前后兩日的總持股數(shù)量計(jì)算出單日滬股通成交量，再計(jì)算出滬股通當(dāng)日凈成交量的占比。下載的融資融券數(shù)據(jù)包括融資余額和融券余額，分別計(jì)算出當(dāng)日融資余額和融券余額占當(dāng)日成交額的占比。小、中、大、特大單的買入賣出量以及買入賣出額，以及凈流入量和凈流入額也相應(yīng)轉(zhuǎn)換成當(dāng)日成交量或成交額的占比。

對部分特征進(jìn)行歸一化處理，如成交量、成交額、流通股本等。對所有股票數(shù)據(jù)進(jìn)行處理，生成時(shí)間序列數(shù)據(jù)(模型的Input0、Input1)，維度為(L,M,N)，其中M表示樣本數(shù)，N表示總特征數(shù)，L表示序列長度，也就是已知的前L天的數(shù)據(jù)，即L天的數(shù)據(jù)為一組特征，用前L天的數(shù)據(jù)來預(yù)測后一天漲幅。將時(shí)間序列數(shù)據(jù)的特征數(shù)分為兩個(gè)輸入分別對應(yīng)于模型的兩個(gè)輸入Input0和Input1。

“漲幅”為用來訓(xùn)練的標(biāo)簽，定義為：(當(dāng)日收盤價(jià)-昨日收盤價(jià))/昨日收盤價(jià)；“漲幅正負(fù)”為用來驗(yàn)證準(zhǔn)確率和精度的標(biāo)簽。這邊設(shè)定當(dāng)漲幅為正時(shí)，則判定該股票的趨勢為漲(label:1)；當(dāng)漲幅不為正時(shí)，則判定該股票的趨勢為跌(label:0)。

對數(shù)據(jù)集進(jìn)行劃分，其中訓(xùn)練集數(shù)據(jù)的時(shí)間段為2018.01.01～2019.08.31，測試集數(shù)據(jù)的時(shí)間段為 2019.09.01～2019.10.31。分別對訓(xùn)練集和測試集的漲跌分布進(jìn)行了統(tǒng)計(jì)分析,發(fā)現(xiàn)訓(xùn)練集和測試集的漲跌分布有一定的差異性，證明了改進(jìn)的模型在后續(xù)的實(shí)驗(yàn)中具有一定的泛化性。

2.3 融合多源數(shù)據(jù)

在股票交易操作上，一般短線操作都會(huì)實(shí)時(shí)關(guān)注個(gè)股的分時(shí)線走勢。在之前的一些研究中，利用機(jī)器學(xué)習(xí)預(yù)測股票一般都只關(guān)注了個(gè)股的日K線走勢及數(shù)據(jù)，而忽略了每日的分時(shí)線數(shù)據(jù)及其他一些數(shù)據(jù)。每日的分時(shí)線數(shù)據(jù)隱藏了大量的交易信息，例如可以看出大資金的流入流出，對于個(gè)股未來趨勢的預(yù)測提供了大量有用的信息。

改進(jìn)的模型基于Self-Attention架構(gòu)，解碼器采用全連接層，在編碼器端合并了日線數(shù)據(jù)(Input0)、分時(shí)線數(shù)據(jù)(Input1)以及籌碼結(jié)構(gòu)數(shù)據(jù)(Input2)，如圖3所示。分時(shí)線數(shù)據(jù)編碼器采用Multi-Head Attention和Feed Forward堆疊而成，有N層；日線數(shù)據(jù)編碼器也由N層堆疊而成，前N-1層結(jié)構(gòu)一樣，但不共享參數(shù)，最后一層通過對分時(shí)線數(shù)據(jù)編碼器輸出做Multi-head Attention輸出o1，對自身做Multi-head Attention輸出o0；籌碼結(jié)構(gòu)編碼器采用全連接層，輸出o2。融合三個(gè)輸出o并進(jìn)行解碼，計(jì)算公式見式(10)、(11)、(12)：

m=σ(Wm·[o0,o1]+bm)

(10)

n=m⊙o0+(1-m)o1

(11)

o=Concat(n,o2)

(12)

圖3 改進(jìn)的Self-Attention模型

3 實(shí)驗(yàn)與分析

3.1 評估指標(biāo)

在訓(xùn)練階段，做的是回歸任務(wù)，即預(yù)測股票漲跌的幅度，損失函數(shù)用的是均方根誤差(root mean squared error，RMSE)，計(jì)算公式見式(13)：

(13)

根據(jù)樣本的真實(shí)結(jié)果和模型預(yù)測結(jié)果，將樣本分為四類：

TP(true positive)，樣本是正樣本并且模型預(yù)測結(jié)果也是正樣本的個(gè)數(shù)；

FN(false negative)，樣本是正樣本但模型預(yù)測結(jié)果是負(fù)樣本的個(gè)數(shù)；

FP(false positive)，樣本是負(fù)樣本但模型預(yù)測結(jié)果是正樣本的個(gè)數(shù)；

TN(true negative)，樣本是負(fù)樣本并且模型預(yù)測結(jié)果也是負(fù)樣本的個(gè)數(shù)。

評價(jià)模型性能使用以下2個(gè)指標(biāo)：準(zhǔn)確率 (Accuracy)和精確率(Precision)。

(14)

(15)

3.2 實(shí)驗(yàn)配置

實(shí)驗(yàn)硬件配置為CPU：AMD-3700X，內(nèi)存：32 G，GPU：RTX-2070。操作系統(tǒng)為UBUNTU 18.04，Python版本為3.7.3，深度學(xué)習(xí)框架采用Pytorch。優(yōu)化器選擇Adam，學(xué)習(xí)率為1e-4，使用256的小批量大小。

3.3 不同長度的時(shí)間序列數(shù)據(jù)效果對比

為了測試不同長度L的歷史數(shù)據(jù)對實(shí)驗(yàn)結(jié)果的影響，使用改進(jìn)的Self-Attention模型測試了不同L對預(yù)測準(zhǔn)確率的影響，實(shí)驗(yàn)結(jié)果見圖4。

圖4 不同長度L對結(jié)果的影響

3.4 模型效果

在測試集數(shù)據(jù)上，使用相同步驟的預(yù)處理步驟(這邊使用的歷史數(shù)據(jù)長度L為30)，在不同的模型上進(jìn)行測試得出的數(shù)據(jù)，如表1所示?？梢园l(fā)現(xiàn)，RMSE降低了不少。圖5展示了改進(jìn)的Self-Attention模型在部分個(gè)股上的預(yù)測結(jié)果。

圖5 改進(jìn)的Self-Attention預(yù)測值

表1 算法性能對比

3.5 個(gè)股預(yù)測及投資收益

通過模型對測試數(shù)據(jù)進(jìn)行預(yù)測買賣點(diǎn)以及收益率，選取股票“浦發(fā)銀行”作為操作說明。因?yàn)樵撃Ｐ褪峭ㄟ^前L天(這里L(fēng)取30)的數(shù)據(jù)預(yù)測后一天的漲幅，所以當(dāng)預(yù)測的漲幅大于等于1%的時(shí)候，模型提示買入；預(yù)測的漲幅小于等于-1%的時(shí)候，模型提示賣出；當(dāng)預(yù)測的漲幅在-1%到1%之間的時(shí)候，模型提示不操作。圖6展示了預(yù)測模型對買點(diǎn)和賣點(diǎn)的判斷，圖中提示的買賣時(shí)間點(diǎn)是每日的剛開盤時(shí)間(即9:30)。假設(shè)采取的策略是：當(dāng)未持有該股票時(shí)，提示買入的時(shí)候，買入100股的股票；當(dāng)持有該股時(shí)，提示買入的時(shí)候，不進(jìn)行買賣操作；當(dāng)提示賣出的時(shí)候，賣出持有該個(gè)股的所有股票，如果不持有該個(gè)股的股票則不進(jìn)行買賣操作；既沒有提示買入也沒有提示賣出的時(shí)候，則不進(jìn)行買賣操作。根據(jù)圖6，在“20190904”日剛開盤的時(shí)候以11.4的價(jià)格買入100股，在“20190905”日的時(shí)候雖然提示買入，當(dāng)已經(jīng)持有該股票，所以不進(jìn)行操作，直到在“20190916”日剛開盤的時(shí)候以11.99的價(jià)格賣出100股，收益率是(11.99-11.4)/11.4=0.051 7，所以在“20190613”賣出的操作中收益率為0.051 7，其他的賣點(diǎn)收益計(jì)算類似。只有當(dāng)進(jìn)行賣出操作的時(shí)候收益率才會(huì)變化，圖7展示了三只股票在測試數(shù)據(jù)上的收益率變化。圖8展示了同期上證50指數(shù)的投資收益率以及采用模型預(yù)測的上證50個(gè)股平均收益率?？梢园l(fā)現(xiàn)，改進(jìn)Self-Attention模型可以提高投資收益率。

圖6 浦發(fā)銀行K線及買賣提示圖

圖7 部分個(gè)股投資收益變化曲線

圖8 同期投資收益變化

4 結(jié)束語

該文提出一種基于Self-Attention模型的金融時(shí)間序列預(yù)測模型，使用該模型預(yù)測中國證券市場上證50成分股，通過實(shí)驗(yàn)驗(yàn)證了模型的準(zhǔn)確率和精確率：模型的預(yù)測準(zhǔn)確率為61.32%，對正樣本的預(yù)測精確率為63.04%，這說明了改進(jìn)的模型可以有效預(yù)測股票趨勢。在與其他模型的對比中效果更優(yōu)。由圖8可知，通過模型的預(yù)測買賣點(diǎn)進(jìn)行股票買賣操作，在測試數(shù)據(jù)上的投資收益率為6.562%，而同期上證50指數(shù)的收益率3.260%，收益率提高了101.28%。所以改進(jìn)的模型可以有效輔助投資并取得一定的收益，這表明該模型在股價(jià)趨勢預(yù)測上具有一定的有效性和實(shí)用性。

由于中國股市的散戶占比大，市場容易受到情緒波動(dòng)的影響，因此下一步將結(jié)合對股民情緒的分析以增加模型的準(zhǔn)確率。