基于深度學習的股票預測分析

袁如意

摘要：金融市場作為一個非線性、變化頻繁的復雜動態，風險與回報并存，波動率作為金融資產收益的不確定性衡量指標，對金融資產的波動率進行有效的預測，可以加強金融風險管理，同時增加投資者決策的積極性。隨著人工智能的發展，將以深度學習方法為例的AI技術與金融業結合，構建模型對波動率進行預測分析，提升了金融資產的波動率預測的精確度。

關鍵詞：深度學習;人工智能;波動預測;LSTM

一、引言

德累斯頓理工大學和牛津布魯克斯大學的研究員們對股票定價、保險業、投資等領域進行調查，結果發現深度學習算法比傳統的統計學算法具有更高的精確度和穩健性。過去經濟學的重心一直在對于經濟現象進行解釋，找出其所存在的經濟運行規律，而近年來，大數據技術與人工智能的發展，已經可以對一些經濟學現象進行預測。2017年7月，國務院正式印發《新一代人工智能發展規劃》，旨在推動人工智能與各行業的融合創新。

北大教授譚營指出，“‘AI賦能 是金融行業的大勢所趨，我們以深度學習為核心技術，以大數據分析為支撐，結合AI算法創建智能投資模型，進行精準量化投資，降低投資風險。”

股票預測作為一個交叉研究方向，涉及到多學科，對金融資產價格進行預測，對于投資者與債權人在進行決策行為時有著重要的參考意義。

二、人工智能、機器學習與深度學習

關于人工智能這一術語，最早由Mckisny于1956年提出，人工智能（Artificial Intelligence，AI）指利用計算技術來模擬人的某些思維過程與行為，去實現目前所有必須借助人類智慧才能實現的任務。機器學習（Machine Learning，ML）指在對一些無法觀測到的數據進行檢測時，利用計算機從所選樣本中學習規律、獲得決策函數。

2006年Hinton提出深度學習這一概念，深度學習（Deep Learning，DL）作為機器學習的一個子集，指的是一種連接型表征學習方法，其中的模型是由一連串可以看作神經元組成的不同拓撲結構的多個模塊構成，而其中的每一層拓撲結構分別拿出來訓練之后都可以作為獨立的特征提取器。

關于深度學習與機器學習、人工智能的關系可以用圖1表示。

三、深度學習的模型及應用

深度學習最廣泛的應用方法絡包括深度置信神經網絡（DBN）、卷積神經網絡（Convolutional Neural Network，CNN）、循環神經網絡（RNN）、長短期記憶神經網絡（LSTM）等。

（一）深度置信神經網絡

深度置信神經網絡由若干隨機隱變量構成，向第一層結構單元（受限玻爾茲曼機，RBM）輸入變量，然后利用其輸出變量訓練第二層結構單元，實現輸入的重構;各結構層之間逐層連接，且同一結構層之間無連接，快速地實現了對數據的訓練處理過程。

（二）卷積神經網絡

卷積神經網絡最開始是通過仿造生物體的視覺皮層，將神經元參數與前一層神經網絡共享;隨后Le Cun利用誤差梯度改進了這一模型。

（三）循環神經網絡

循環神經網絡對處理時間序列性的數據具有高效率，它能夠挖掘出數據中的時序信息及語義信息。

（四）長短期記憶神經網絡

由于傳統RNN的隱藏層存在梯度消失的問題，一些學者讓隱藏層的結構變得復雜、權重變大，避免了梯度消失，這種改進后的特殊RNN即為LSTM。

目前RNN與LSTM被普遍認為是最適合于金融市場的深度學習模型。

（五）深度學習在金融行業的應用

深度學習能夠從數據中提取抽象特征，基于“分解—重構—綜合”的思想，為金融資產的預測帶來了吸引力。深度學習在金融行業的應用包括對各類資產的收益率、波動性預測，對投資者的情緒進行分析等方面，國內外學者關于此研究較少，研究方向主要集中在將金融資產的預測與模型結合，提高預測結果的準確性。

Heaton（2016）指出將深度學習應用于金融領域，可以有效避免過度擬合，突破了數據緯度的限制，對于解決輸入變量的非線性和交互性問題更加有效。

Chong E，Han C&Park F C（2017）基于深度學習對股票市場采用主成分分析、自動編碼器與受限波爾茲曼機三種方法進行預測，結果表明深度神經網絡提高了模型的預測精確度。

Kim H Y&Won C H（2018）對LSTM模型與GARCH模型進行調整，預測KOSPI200指數的股價波動，結果表明復合后的模型比單一模型的預測精確度更高。

周子昂和尚瑞琪（2019）采用LSTM模型與RV理論，選取滬深300指數交易日5分鐘高頻數據作為樣本，計算樣本的波動率，結果表明基于LSTM預測模型的波動預測誤差性最低。

（六）深度學習在其他行業的應用

深度學習對于復雜問題的解決，具有較好的效果，因此被廣泛應用于多個領域，比如圖像語音識別、翻譯、航天領域等。王憲保（2014）根據樣本特征建立DBN，通過BP算法，檢測太陽能電池片的缺陷。

四、深度學習下的股票波動率預測

傳統的波動率預測模型有ARCH模型與GARCH模型等。波動率作為金融資產收益的不確定性衡量指標，反映了金融資產的波動程度，現有的關于股票波動率計算方法一般為將第n天內高頻收益率的平方和作為真實波動率，即將已實現的波動率作為真實波動率的變量。

然而股票市場的變化頻繁，受到許多不確定因素的影響，傳統的方法已經無法滿足金融市場數據高頻變化的特性，人工智能的崛起，使深度學習逐漸被應用于金融資產的波動率預測。