基于ARIMA和AT-LSTM組合模型的股票價格預(yù)測

摘要：ARIMA、LSTM等多種預(yù)測模型已在時間序列預(yù)測中得到應(yīng)用，預(yù)測精度參差不齊。ARIMA、LSTM以及ARIMA-LSTM組合模型的預(yù)測精度仍有提升空間。為LSTM引入注意力機制形成AT-LSTM模型，將ARIMA的預(yù)測殘差引入AT-LSTM，進(jìn)一步提高預(yù)測精度。利用不同的評估方法對混合模型進(jìn)行評估，實驗結(jié)果表明ARIMA和AT-LSTM組合模型的誤差降低4倍，預(yù)測精度得到了提高。

關(guān)鍵詞：時間序列預(yù)測;ARIMA;LSTM;組合模型

中圖分類號：TP391? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）11-0118-04

1? 引言

在時間序列預(yù)測方面，最常見的便是ARIMA模型，ARIMA是在20世紀(jì)70年代由George Box和Gwilyn Jenkins提出的一種著名的時間序列預(yù)測方法，ARIMA模型是一種線性序列預(yù)測模型，受到輸入的時間序列特征的限制，在處理平穩(wěn)的時間序列上有很好的效果，但在處理非平穩(wěn)數(shù)據(jù)上，其預(yù)測結(jié)果存在很多噪聲，導(dǎo)致預(yù)測結(jié)果無法使用。

在1997年Sepp Hochreiter 與 Jürgen Schmidhuber[1]聯(lián)合提出了LSTM模型，經(jīng)過了20多年發(fā)展，LSTM在語言識別、文本處理、機器翻譯、時間序列預(yù)測等方面得到了廣泛應(yīng)用。但LSTM也有其局限性，因為LSTM主要是隨著時間推移進(jìn)行順序處理，在面對很長的序列時處理起來存在問題。Dzmitry Bahdanau[2]在2105年提出注意力模型，并應(yīng)用在機器翻譯上，有效解決了LSTM在較長序列處理上的問題， Qin[3]使用基于雙階段注意力機制的RNN模型進(jìn)行了時間序列預(yù)測，證實了注意力機制在時間序列預(yù)測方面的可行性。

股票價格是一個動態(tài)、非線性復(fù)雜系統(tǒng)，具有突發(fā)性、隨機性和規(guī)律復(fù)雜性等特點[4]。僅使用ARIMA模型對股票價格進(jìn)行預(yù)測很顯然無法取得很好效果，Zhang[5]在2003年提出ARIMA與LSTM神經(jīng)網(wǎng)絡(luò)模型組成混合模型可大幅提高預(yù)測精度，他認(rèn)為以往傳統(tǒng)的預(yù)測模型，例如ARIMA，是一種線性模型，擅長處理時間序列中的線性部分，LSTM神經(jīng)網(wǎng)絡(luò)模型是一直非線性模型，可以更好地處理時間序列中的非線性部分，ARIMA-LSTM混合模型便是這一思想的重要成果之一。

本文將以中國石油、中國石化兩家公司近9年的當(dāng)日股票交易收盤價為數(shù)據(jù)集，使用引入注意力機制的ARIMA-LSTM模型進(jìn)行預(yù)測，并將預(yù)測結(jié)果與ARIMA模型、LSTM模型的預(yù)測結(jié)果進(jìn)行對比。

2 模型介紹

2.1 ARIMA模型

ARIMA模型，即差分整合移動平均自回歸模型，是時間序列預(yù)測常用的一種模型。

ARIMA（p，d，q），其中AR是自回歸，p為自回歸項數(shù);MA為移動平均，q為移動平均項數(shù);d為使非平穩(wěn)的時間序列變?yōu)槠椒€(wěn)的時間序列需要進(jìn)行的差分次數(shù)。

ARIMA模型的表現(xiàn)形式為[5]：

[yt=μ+i=1pγiyt-i+εt+i=1qθiεt-1]? ? ? ? ? ?（1）

式中：[yt]—當(dāng)前值;

[μ]—常數(shù)項;

[p]—自回歸的階數(shù);

[q]—移動平均的階數(shù);

[εt]—隨機擾動項序列;

2.2 Augmented Dicky-Fuller（ADF）檢驗

在使用ARIMA模型時需要所輸入的時間序列是平穩(wěn)的，所以在輸入之前，需對時間序列進(jìn)行檢測，ADF檢驗是一種比較常用的統(tǒng)計檢測方法。

在一個自回歸過程中：[yt=byt-1+a+εt]，如果滯后項系數(shù)b=1，則稱為單位根。通過ADF檢驗判斷序列中是否存在單位根，若不存在單位根，則序列平穩(wěn);否則，序列不平穩(wěn)。

通過差分之后ADF檢驗，可以判斷序列經(jīng)過幾次后形成平穩(wěn)的時間序列，從而得出差分次數(shù)d。

2.3 LSTM模型

1997年LSTM模型的提出很好地解決了RNN會出現(xiàn)梯度爆炸和消失的問題，LSTM模型使用了若干特殊的“門”，分別為輸入門、輸出門和遺忘門。LSTM模型結(jié)構(gòu)如圖1所示。

LSTM模型前向計算方法可表示為[1]：

輸入門：

[it=σ（Wxixt+Whiht-1+WCiCt-1+bi）]? ? ? ? （2）

遺忘門：

[ft=σ（Wxfxt+Whfht-1+WCfCt-1+bf）]? ? ? ? ? ? ? （3）

細(xì)胞狀態(tài)：

[Ct=ft⊙Ct-1+it⊙tanh（WxCxt+WhCht-1+bC）]? ? ?（4）

輸出門：

[Ot=σ（WxOxt+WhOht-1+WCOCt-1+bO）]? ? ? ?（5）

隱藏層狀態(tài)：

[ht=Ot⊙tanh（Ct）]? ? ? ? ? ? ? ? ? ? ? （6）

以上式中：[W]—門的權(quán)重向量;

[b]—偏置量;

[σ]—sigmoid激活函數(shù);

[tanh]—雙曲正切激活函數(shù);

2.4 AT-LSTM模型

Qin認(rèn)為時序預(yù)測問題可能會有眾多的外部變量，網(wǎng)絡(luò)可能無法精確地選擇相關(guān)變量。同時，Qin受到一些人類注意力的啟發(fā)，認(rèn)為雙階段的注意力模型能很好地模擬人類行為，并將這種雙階段注意力機制引入到RNN中，形成DA-RNN（Dual-Stage Attention-Based RNN） 模型[3]。

整個模型可以分為兩部分，第一部分引入input attention mechanism對每一時刻的外部輸入自適應(yīng)性地提取相關(guān)性，結(jié)構(gòu)如圖2[3];第二部分引入temporal attention mechanism捕獲encoder的長期時序依賴信息，結(jié)構(gòu)如圖3[3]。

模型的輸入是[（x1，x2...xt）]，每個x都是包含n個特征的向量，給定一個目標(biāo)序列[（y1，y2...yt-1）] ，通過[yt∧=F（y1，y2...yt-1，x1，x2...xt）]，得到最終的預(yù)測值，相當(dāng)于用多變量來預(yù)測單變量。

本文所使用的AT-LSTM使用DA-RNN的temporal attention? mechanism為seq2seq的decoder引入注意力機制，從而避免seq2seq因過長序列導(dǎo)致性能下降。

在temporal attention? mechanism中，需要將t時間之前的隱藏層狀態(tài)[dt-1]和LSTM單元的細(xì)胞狀態(tài)[C't-1]作為該層的輸入，通過計算得到：

[lit=vTdtanh（Wd[dt-1;C't-1]+Udhi）] 1≤i≤T? ? ? ? ? ?（7）

通過 softmax 層，我們可以得到第 i 個decoder隱藏狀態(tài)[hi]和注意力權(quán)重[βit]。

[βit=exp（lit）j=1Texp（ljt）]? ? ? ? ? （8）

解碼器對所有的decoder的隱藏狀態(tài)按照權(quán)重求和得到帶有注意力的隱藏層狀態(tài)[Ct]。

[Ct=k=1Tβkthk]? ? ? ? ? ? ? ?（9）

將[[C1]，[C2]...[Ct]]和目標(biāo)序列結(jié)合起來得到：

[y～t-1=Wd[yt-1;Ct-1]+b～]? ? ? ? ?（10）

利用新計算得到的[y～t-1]，更新decoder的隱藏層狀態(tài)。

[dt=LSTM（dt-1，y～t-1）]? ? ? ? ? ? ?（11）

最終可以計算出T時刻的預(yù)測值

[y～T=vTy（Wy[dT;CT]+bW）+bv]? ? ? ? ? ? ?（12）

2.5 ARIMA和AT-LSTM組合模型

組合模型由兩部分組成，第一部分為ARIMA模型，利用ARIMA模型對時間序列進(jìn)行初步預(yù)測，生成預(yù)測結(jié)果[T1]和殘差序列[T2];第二部分為AT-LSTM模型，將第一部分生成的殘差序列[T1]作為AT-LSTM模型的輸入，利用AT-LSTM模型進(jìn)行處理和預(yù)測，得到新的預(yù)測結(jié)果[T3]，將兩次預(yù)測結(jié)果[T1]和[T3]相結(jié)合便得到ARIMA和AT-LSTM組合模型的預(yù)測結(jié)果。

2.6 模型評估

使用均方差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）對模型進(jìn)行評估。

已知真實值序列[[y1，y2...yn]]，運行模型后得到預(yù)測值序列[[y∧1，y∧2...y∧n]]。

對于MSE有：

[MSE=1ni=1n（y∧i-yi）]? ? ? ? ? （13）

誤差越大，MSE值越大，反之，模型的預(yù)測結(jié)果越精確。

對于RMSE有：

[RMSE=1ni=1n（y∧i-yi）]? ? ? z? ? ?（14）

RMSE作為 MSE 的一種輔助評價方法，適用于某些預(yù)測值損失更大的情況。

對于MAE有：

[MAE=1ni=1n|y∧i-yi|]? ? ? ? ? ? ?（15）

利用MAE來測量觀測值與真實值之間的絕對誤差的平均值。

對于MAPE有：

[MAPE=100%ni=1n|y∧i-yiyi|]? ? ? ? ? ? ?（16）

3 實驗

3.1 原始數(shù)據(jù)描述

對ARIMA模型，預(yù)先劃分訓(xùn)練集和驗證集。在AT-LSTM模型中，通過設(shè)定windows_size，采用窗口滑動的方式生成訓(xùn)練集和驗證集。例如windows_size = 4，那么將前4個樣本數(shù)據(jù)作為訓(xùn)練集訓(xùn)練模型，并預(yù)測第5個值，而第5個樣本數(shù)據(jù)作為驗證集對預(yù)測值進(jìn)行檢驗。

3.2 建立ARIMA模型及線性預(yù)測

利用Augmented Dicky-Fuller（ADF）檢驗對兩個原始數(shù)據(jù)集進(jìn)行檢驗，結(jié)果如下：

由ADF檢驗結(jié)果得，兩個數(shù)據(jù)集均需進(jìn)行差分，對一階差分進(jìn)行ADF檢驗，結(jié)果如下：

從原始數(shù)據(jù)集一階差分ADF檢驗結(jié)果可以得出，兩個數(shù)據(jù)集在一階差分后已平穩(wěn)，無須再進(jìn)行拆分。

通過繪制兩個數(shù)據(jù)集一階差分后的自相關(guān)（ACF）圖和偏自相關(guān)（PACF）圖確定ARIMA模型的自回歸的階數(shù)p和移動平均的階數(shù)q的可能組合，再利用循環(huán)函數(shù)，迭代嘗試不同組合AIC值，選取AIC值最小的組合。

對中國石油數(shù)據(jù)集進(jìn)行預(yù)測使用ARIMA（5，1，0）模型，對中國石化數(shù)據(jù)集進(jìn)行預(yù)測使用ARIMA（1，1，3）模型。

3.3 利用AT-LSTM進(jìn)行非線性預(yù)測

通過ARIMA對數(shù)據(jù)集進(jìn)行線性預(yù)測，生成了殘差序列，并將殘差序列作為非線性預(yù)測的輸入序列代入到AT-LSTM模型中。

在AT-LSTM首輪訓(xùn)練和預(yù)測中，使用了以下可調(diào)參數(shù)：

實驗只對收盤價進(jìn)行預(yù)測，所以模型的輸入和輸出維度均為1，AT-LSTM的層數(shù)設(shè)置為了1層。初始學(xué)習(xí)率設(shè)置為0.001，并使用Adam算法在訓(xùn)練過程中對學(xué)習(xí)率進(jìn)行動態(tài)調(diào)整。

預(yù)測結(jié)果如圖所示。

從預(yù)測結(jié)果圖片得出，兩組ARIMA和AT-LSTM組合模型對數(shù)據(jù)集的擬合程度很好。接下來通過設(shè)置不同可調(diào)參數(shù)的組合，利用MSE、RMSE、MAE和MAPE對模型進(jìn)行評估，并將ARIMA、LSTM和組合模型的評價結(jié)果進(jìn)行對比。結(jié)果如表格所示。

從表5可以總結(jié)出window_size和hidden_size的變化對模型的預(yù)測精度影響較其他參數(shù)大。Window_size的變化直接影響到AT-LSTM模型訓(xùn)練集和驗證集的大小，對AT-LSTM的訓(xùn)練產(chǎn)生影響。Hidden_size決定了AT-LSTM模型的復(fù)雜度，hidden_size越大，AT-LSTM模型越復(fù)雜。所以選擇更加合適的window_size和hidden_size將使得組合模型的預(yù)測精度進(jìn)一步提高。

4 結(jié)束語

實驗結(jié)果表明，ARIMA和AT-LSTM組合模型較單個模型，預(yù)測誤差平均降低4倍。本次實驗使用的數(shù)據(jù)集大小為千位級，后續(xù)可嘗試使用更大數(shù)據(jù)集對模型進(jìn)行驗證;本次實驗僅僅只是對股票交易中的“收盤價”進(jìn)行了預(yù)測，對股票交易記錄的其他維度進(jìn)行預(yù)測也具有價值。實驗結(jié)果也表明單獨使用LSTM模型在某種情況預(yù)測精度比ARIMA和AT-LSTM組合模型更高，說明該模型還有改進(jìn)空間，可以進(jìn)一步完善，并且該組合模型在股票交易以外的其他領(lǐng)域是否也具有較高的預(yù)測精度還有待考證。

參考文獻(xiàn)：

[1] Hochreiter S，Schmidhuber J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[2] Bahdanau D，Cho K，Bengio Y.Neural machine translation by jointly learning to align and translate[EB/OL].2014：arXiv：1409.0473[cs.CL].https：//arxiv.org/abs/1409.0473

[3] Qin Y，Song D J，Chen H F，et al.A dual-stage attention-based recurrent neural network for time series prediction[C]//Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence.August 19-26，2017.Melbourne，Australia.California：International Joint Conferences on Artificial Intelligence Organization，2017.

[4] 原云霄，王寶海.基于ARIMA模型對我國服務(wù)價格指數(shù)的預(yù)測[J].數(shù)學(xué)的實踐與認(rèn)識，2018，48（7）：130-137.

[5] Zhang G P.Time series forecasting using a hybrid ARIMA and neural network model[J].Neurocomputing，2003，50：159-175.

收稿日期：2021-01-24

作者簡介：張怡（1993—） ，男，湖北荊州人，學(xué)士，研究方向為數(shù)據(jù)科學(xué)與工程。