白迪

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065）

0 引言

在金融市場(chǎng)中，資產(chǎn)的價(jià)格和回報(bào)的預(yù)測(cè)一直是金融從業(yè)者和學(xué)者們最具挑戰(zhàn)和激動(dòng)人心的問題之一[1-2]。研究估計(jì)，機(jī)器學(xué)習(xí)應(yīng)用于銀行和金融部門的年潛在價(jià)值占全球收入的5.2%，約為3000 億美元[3]。與傳統(tǒng)的財(cái)務(wù)模型相比，機(jī)器學(xué)習(xí)提出利用以前未使用的新數(shù)據(jù)源進(jìn)行準(zhǔn)確預(yù)測(cè)的希望。近年來，有許多使用基本面數(shù)據(jù)進(jìn)行股票價(jià)格和回報(bào)預(yù)測(cè)的研究，并且取得了良好的效果，并且證明了機(jī)器學(xué)習(xí)在基本面數(shù)據(jù)對(duì)股票價(jià)格和回報(bào)預(yù)測(cè)的有效性[5]。

人類的注意力機(jī)制是從直覺中得到，他是利用有限的注意力資源從大量信息中快速篩選出高價(jià)值信息的手段。深度學(xué)習(xí)中的注意力機(jī)制借鑒了人類的注意力思維方式[6]，并被廣泛應(yīng)用到計(jì)算機(jī)視覺和自然語(yǔ)言處理中。而在進(jìn)行基本面數(shù)據(jù)進(jìn)行資產(chǎn)價(jià)格和回報(bào)預(yù)測(cè)時(shí)，由于基本面的數(shù)據(jù)量較大，每個(gè)基本面指標(biāo)對(duì)于預(yù)測(cè)結(jié)果的影響也是不同的，因此本文使用帶有注意力機(jī)制的機(jī)器學(xué)習(xí)進(jìn)行資產(chǎn)價(jià)格和回報(bào)的預(yù)測(cè)。

1 問題描述

本實(shí)驗(yàn)使用基本面數(shù)據(jù)預(yù)測(cè)資產(chǎn)下一季度的回報(bào)率，其輸入如公式（1）所示：

其中xt,i代表在時(shí)間t 時(shí)刻第i 個(gè)基本面指標(biāo)，共有N 個(gè)指標(biāo)。模型預(yù)測(cè)的輸出為資產(chǎn)的回報(bào)率。計(jì)算公式如下所示：

其中closet代表資產(chǎn)在t 時(shí)刻的收盤價(jià)，Predictedt代表了資產(chǎn)在t 時(shí)刻預(yù)測(cè)出的回報(bào)率。

2 數(shù)據(jù)準(zhǔn)備

2.1 數(shù)據(jù)獲取

本實(shí)驗(yàn)所采集的股票數(shù)據(jù)使用的是滬深300 指數(shù)成分股。選用滬深300 指數(shù)成分股作為實(shí)驗(yàn)數(shù)據(jù)主要有兩個(gè)原因。第一：滬深300 指數(shù)的金融基本面指標(biāo)在數(shù)據(jù)量方面相對(duì)完整和龐大。這是因?yàn)檫@些股票都是大盤股，而且它們中的大多數(shù)上市時(shí)間相對(duì)較早。第二，滬深300 成分股在不同行業(yè)間相對(duì)平衡，而且它覆蓋了銀行、鋼鐵、石油、電力、煤炭、水泥、家電、機(jī)械、紡織、食品、釀酒、化纖、有色金屬、交通運(yùn)輸、電子器件、商業(yè)百貨、生物制藥、酒店旅游、房地產(chǎn)等數(shù)十個(gè)主要行業(yè)的龍頭企業(yè)。但由于滬深300 成分股的組成經(jīng)常處于變化中，本實(shí)驗(yàn)采用2019 年12 月的成分股作為它的組成。本文滬深300 成分股的歷史數(shù)據(jù)來自于量化交易網(wǎng)站聚寬。

2.2 填充缺失數(shù)據(jù)

成分股中原始的基本面數(shù)據(jù)有相當(dāng)一部分?jǐn)?shù)據(jù)條目缺失。由于數(shù)據(jù)集中缺失數(shù)據(jù)的存在可能為數(shù)據(jù)處理制造問題，從而最終產(chǎn)生無效的結(jié)論。對(duì)于機(jī)器學(xué)習(xí)問題，特別是在大多數(shù)機(jī)器學(xué)習(xí)方法的設(shè)計(jì)中都要求有完整的數(shù)據(jù)用于訓(xùn)練和測(cè)試，因此在創(chuàng)建機(jī)器學(xué)習(xí)模型前必須對(duì)缺失數(shù)據(jù)進(jìn)行處理。

數(shù)據(jù)缺失值的產(chǎn)生有三種機(jī)制，第一，完全隨機(jī)缺失：某個(gè)變量是否缺失與它自身的值無關(guān)，也與其他任何變量的值無關(guān)。第二，隨機(jī)缺失：在控制了其他變量已觀測(cè)到的值后，某個(gè)變量是否缺失與他自身的值無關(guān)。第三，非隨機(jī)缺失：即使控制了其他變量已觀測(cè)到的值，某個(gè)變量是否缺失仍然與它自身的值有關(guān)。

如文獻(xiàn)[7-8]中所述，通常處理缺失數(shù)據(jù)有以下幾種方法：

（1）整列刪除：整列刪除移除有一個(gè)或多個(gè)缺失值的記錄。對(duì)于完全隨機(jī)丟失的數(shù)據(jù)，整列刪除只會(huì)導(dǎo)致統(tǒng)計(jì)能力的下降。如果數(shù)據(jù)不是隨機(jī)缺失的，這種方法可能產(chǎn)生有偏參數(shù)估計(jì)。

（2）成對(duì)刪除：整列狀態(tài)刪除通常用一個(gè)特殊碼代表無效值和缺失值，同時(shí)保留數(shù)據(jù)集中的全部變量和樣本。但是，在具體計(jì)算時(shí)只采用有完整答案的樣本，因而不同的分析因涉及的變量不同，其有效樣本量也會(huì)有所不同。這是一種保守的處理方法，最大限度地保留了數(shù)據(jù)集中的可用信息。

（3）向前填充/向后填充：向前填充/向后填充即使用后一位/前一位的數(shù)據(jù)填充缺失數(shù)據(jù)。

（4）最大似然估計(jì)法：最大似然估計(jì)法使用可用數(shù)據(jù)的最大似然函數(shù)來計(jì)算最大似然估計(jì)。同樣，最大似然估計(jì)法還假設(shè)數(shù)據(jù)如果不是完全隨機(jī)缺失，至少是隨機(jī)缺失的。

原始數(shù)據(jù)中有大量的數(shù)據(jù)缺失集中在一些特征上，而其他缺失數(shù)據(jù)分布的較為離散。本文使用了特征刪除和均值替代的方法。如果某個(gè)特征有大量或超過50%的數(shù)據(jù)缺失，該特征項(xiàng)將會(huì)被移除。經(jīng)過特征刪除后，經(jīng)統(tǒng)計(jì)刪除的數(shù)據(jù)共有8%。若某只股票有超過10%的基本面數(shù)據(jù)為空，這刪除該股票的數(shù)據(jù)。剩余的缺失數(shù)據(jù)使用向后填充法填補(bǔ)。

2.3 趨勢(shì)平穩(wěn)化

本實(shí)驗(yàn)的目標(biāo)變量是預(yù)測(cè)季度的回報(bào)率。由于原始數(shù)據(jù)中有許多的特征擁有一個(gè)與時(shí)間相關(guān)的全局趨勢(shì)，這些具有全局趨勢(shì)的特征可能會(huì)阻礙我們機(jī)器學(xué)習(xí)模型的泛化能力，從而導(dǎo)致不可靠的預(yù)測(cè)結(jié)果。因此我們對(duì)所有的特征進(jìn)行了百分比的轉(zhuǎn)換，如公式（3）所示：

2.4 小結(jié)

經(jīng)過數(shù)據(jù)處理后，最終共有138 支股票和23 個(gè)特征被選取。每只股票有59 個(gè)觀測(cè)值，從2005 年第一季度到2019 年第四季度。這23 個(gè)特征值如表1所示。

表1 數(shù)據(jù)集經(jīng)過預(yù)處理后的特征值

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集劃分

在金融預(yù)測(cè)問題中，特別是數(shù)據(jù)有限的情況下，使用機(jī)器學(xué)習(xí)的方法時(shí)較容易出現(xiàn)過擬合。因此，我們將數(shù)據(jù)集劃分為訓(xùn)練集，驗(yàn)證集和測(cè)試集。訓(xùn)練集占總數(shù)據(jù)的60%，測(cè)試集和驗(yàn)證集分別占總數(shù)據(jù)的20%。即從2005 年第一季度至2013 年第四季度為訓(xùn)練集，從2014 年第一季度至2016 年第四季度為驗(yàn)證集，從2017 年第一季度至2019 年第四季度為測(cè)試集。除此之外為了最大化的利用數(shù)據(jù)，在驗(yàn)證之后我們使用訓(xùn)練集的數(shù)據(jù)和驗(yàn)證集的數(shù)據(jù)訓(xùn)練模型，然后進(jìn)行測(cè)試[5]。我們的策略如圖1 所示。

圖1 數(shù)據(jù)集劃分策略

3.2 數(shù)據(jù)歸一化

由于不同特征的數(shù)值范圍可能不一致，因此本實(shí)驗(yàn)對(duì)每個(gè)特征進(jìn)行標(biāo)準(zhǔn)化，以提升我們預(yù)測(cè)模型的性能[9]。歸一化公式（4）如下所示：

其中x是原始的特征向量，xˉ為特征向量的平均值，σ為特征向量標(biāo)準(zhǔn)差。為了防止訓(xùn)練集使用到驗(yàn)證集和測(cè)試集信息，需要對(duì)訓(xùn)練集與驗(yàn)證集、測(cè)試集分開進(jìn)行歸一化處理本實(shí)驗(yàn)對(duì)訓(xùn)練集歸一化后，使用訓(xùn)練集的平均值和標(biāo)準(zhǔn)差對(duì)驗(yàn)證集和測(cè)試集進(jìn)行歸一化。

3.3 損失函數(shù)

當(dāng)訓(xùn)練一個(gè)回歸模型時(shí)，損失函數(shù)取決于特定的算法。此外，模型訓(xùn)練中的損失函數(shù)也是一個(gè)可以調(diào)優(yōu)的超參數(shù)。對(duì)于前饋神經(jīng)網(wǎng)絡(luò)，我們使用均方根誤差（RMSE）作為訓(xùn)練的損失函數(shù)。對(duì)于隨機(jī)森林，不涉及訓(xùn)練周期和損失函數(shù)，RMSE 如公式（5）所示：

3.4 基線模型

在本實(shí)驗(yàn)中，使用的基線模型為FNN 和RF，使用這兩個(gè)模型用來預(yù)測(cè)季度的回報(bào)[5]。

（1）前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)使用的開發(fā)工具為：Python 和Ten?sorFlow 的接口Keras。前饋神經(jīng)網(wǎng)絡(luò)其隱藏層的數(shù)量（Hidden layers）、每個(gè)隱藏層神經(jīng)單元的個(gè)數(shù)（Layer sizes）、激活函數(shù)（Activation）、訓(xùn)練的周期（Training ep?ochs）、學(xué)習(xí)率（Learning rate）和優(yōu)化器（Optimizer）如表2 所示。

表2 前饋神經(jīng)網(wǎng)絡(luò)的超參數(shù)

（2）隨機(jī)森林

隨機(jī)森林使用的開發(fā)工具為Python 的scikit-learn庫(kù)。其超參數(shù)設(shè)置如表3 所示。

表3 隨機(jī)森林的超參數(shù)

3.5 帶有注意力機(jī)制前饋神經(jīng)網(wǎng)絡(luò)

由于不同的基本面指標(biāo)對(duì)預(yù)測(cè)結(jié)果的影響不同，因此本實(shí)驗(yàn)的注意力機(jī)制作用在指標(biāo)上。帶注意力的模型使用的開發(fā)工具為Python 和TensorFlow 的接口Keras。其模型的參數(shù)如表4 所示。

表4 帶有注意力機(jī)制的前饋神經(jīng)網(wǎng)絡(luò)的超參數(shù)

3.6 實(shí)驗(yàn)比較

本文使用了前饋神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和帶有注意力機(jī)制的前饋神經(jīng)網(wǎng)絡(luò)三種模型。股票預(yù)測(cè)結(jié)果在不同時(shí)間的均方根誤差如圖2 所示，三種模型的平均均方根誤差如表5 所示。

表5 三種模型的均方根誤差

圖2 三種模型結(jié)果對(duì)比

由圖2，帶有注意力機(jī)制的模型其均方誤根差在多數(shù)季度要小于前饋神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林的均方根誤差。在表5 中，帶有注意力機(jī)制的前饋神經(jīng)網(wǎng)絡(luò)的效果分別比前饋神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林的效果提升了43.75%和47.05%，也證明了帶有注意力機(jī)制的前饋神經(jīng)網(wǎng)絡(luò)的有效性。

4 結(jié)語(yǔ)

機(jī)器學(xué)習(xí)在股票價(jià)格和回報(bào)測(cè)試是一個(gè)熱門的課題。本文使用帶有注意力機(jī)制的前饋神經(jīng)網(wǎng)絡(luò)結(jié)合基本面信息對(duì)股票的回報(bào)進(jìn)行預(yù)測(cè)，并取得了較好的結(jié)果。但仍存在不足之處，例如在金融領(lǐng)域中，使用基本面數(shù)據(jù)時(shí)，其所在的行業(yè)信息也是很重要的一個(gè)因素，因此可以嘗試將行業(yè)信息加入模型中進(jìn)行預(yù)測(cè)。