基于深度學(xué)習(xí)BiLSTM-Attention模型的股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)研究

一、前言

中國(guó)股市作為全球第二大股票市場(chǎng)，受到國(guó)內(nèi)外投資者的廣泛關(guān)注。股價(jià)崩盤風(fēng)險(xiǎn)作為金融風(fēng)險(xiǎn)的一個(gè)重要表現(xiàn)，是金融市場(chǎng)中最具破壞性的危機(jī)之一[。因此，構(gòu)建一個(gè)股價(jià)崩盤預(yù)測(cè)系統(tǒng)變得至關(guān)重要，將有助于企業(yè)全面監(jiān)控股價(jià)崩盤的風(fēng)險(xiǎn)，降低風(fēng)險(xiǎn)帶來(lái)的負(fù)面影響。

自21世紀(jì)以來(lái)，學(xué)者們逐漸使用線性模型和邏輯回歸等統(tǒng)計(jì)學(xué)方法進(jìn)行股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)。 Van^[2] 等人使用線性回歸模型來(lái)預(yù)測(cè)股市風(fēng)險(xiǎn)。研究發(fā)現(xiàn)，線性回歸模型通常只適用于特定的經(jīng)濟(jì)條件，而在面臨市場(chǎng)崩盤等極端事件時(shí)，效果較差。然而，由于股市崩盤的發(fā)生通常伴隨著復(fù)雜的非線性因素和突發(fā)事件，這些方法難以全面捕捉股市的風(fēng)險(xiǎn)信號(hào)。近年來(lái)，機(jī)器學(xué)習(xí)方法的興起為股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)提供了新的視角。機(jī)器學(xué)習(xí)方法，尤其是深度學(xué)習(xí)技術(shù)，具有強(qiáng)大的非線性建模能力，能夠處理股市數(shù)據(jù)的時(shí)序依賴性，并在高維數(shù)據(jù)空間中識(shí)別潛在的崩盤風(fēng)險(xiǎn)信號(hào)。雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（BiLSTM）模型能夠有效捕捉股市波動(dòng)中的長(zhǎng)期依賴性和上下文信息。同時(shí)，為了提高預(yù)測(cè)精度，近年來(lái)引人了注意力機(jī)制（AttentionMechanism），它能夠自動(dòng)聚焦于關(guān)鍵時(shí)間節(jié)點(diǎn)和特征，從而增強(qiáng)模型的預(yù)測(cè)能力。

介紹基于BiLSTM-Attention的股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)方法。首先介紹BiLSTM模型和Attention機(jī)制的原理和結(jié)構(gòu)。其次定義崩盤風(fēng)險(xiǎn)變量并進(jìn)行特征選擇。最后將BiLSTM-Attention模型應(yīng)用于股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)中，并與基準(zhǔn)模型進(jìn)行對(duì)比，評(píng)估模型的性能并分析預(yù)測(cè)結(jié)果。

二、BiLSTM-Attention模型概述

（一）BiLSTM模型

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）最早由Hochreiter[3]等人提出，是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一種變體。相較于RNN，LSTM能夠處理具有長(zhǎng)期依賴的信息，具有更好的信息過(guò)濾和保留機(jī)制，靈活性和適用性更強(qiáng)。LSTM神經(jīng)網(wǎng)絡(luò)的核心概念是利用“門”來(lái)控制神經(jīng)元中信息通過(guò)的量，通過(guò)遺忘門、輸入門、輸出門來(lái)實(shí)現(xiàn)信息記憶或遺忘。遺忘門決定哪些信息應(yīng)該被丟棄或保留。輸入門控制哪些新的信息應(yīng)該進(jìn)入記憶單元。輸出門決定了記憶單元中的信息應(yīng)當(dāng)如何輸出至下一層[4]。

圖1BiLSTM-Attention模型架構(gòu)圖

BiLSTM是LSTM網(wǎng)絡(luò)的一種特殊結(jié)構(gòu)，由前向和后向兩個(gè)LSTM組成，從而實(shí)現(xiàn)雙向傳輸，對(duì)于前后信息都需要權(quán)重的時(shí)間序列預(yù)測(cè)問(wèn)題至關(guān)重要。在傳統(tǒng)的單向LSTM中，信息僅通過(guò)時(shí)間序列的過(guò)去傳遞到未來(lái)，BiLSTM則通過(guò)雙向傳輸，使得模型能夠同時(shí)捕捉到時(shí)間序列的正向和反向依賴關(guān)系。在此模型中，前向LSTM按時(shí)間順序處理序列數(shù)據(jù)，通過(guò)從序列的初始狀態(tài)遍歷到當(dāng)前時(shí)間步長(zhǎng)，將歷史信息從過(guò)去傳播到現(xiàn)在。后向LSTM則對(duì)序列數(shù)據(jù)進(jìn)行逆向處理，聚焦于未來(lái)的上下文信息。這種雙向處理機(jī)制使BiLSTM能夠從兩個(gè)方向合成時(shí)間信息，在每個(gè)時(shí)間步長(zhǎng)上實(shí)現(xiàn)全面的理解。

（二）注意力機(jī)制

Attention機(jī)制是一種模仿人類注意力選擇性聚焦的模型，起源于計(jì)算機(jī)視覺(jué)領(lǐng)域。它能夠聚焦某些重要信息，并忽略其他不重要的信息，從而實(shí)現(xiàn)關(guān)鍵特征的獲取。在處理時(shí)間序列數(shù)據(jù)或文本數(shù)據(jù)時(shí)，Attention機(jī)制通過(guò)計(jì)算每個(gè)輸入的加權(quán)系數(shù)，能夠動(dòng)態(tài)地根據(jù)不同輸入的重要性調(diào)整其影響力，從而提高模型預(yù)測(cè)的準(zhǔn)確性。

Attention機(jī)制使用打分函數(shù)來(lái)計(jì)算查詢向量（Query）和鍵向量（Key），得到一系列得分，將這些得分輸入softmax函數(shù)進(jìn)行歸一化處理，生成注意力權(quán)重，最后將權(quán)重與對(duì)應(yīng)的值向量（Value）相乘，得到上下文向量。其計(jì)算過(guò)程見式（1）-（3）。

e_t=v^Ttanh（W_qQ_t+W_kh）

e_t 是相關(guān)性得分，Q為時(shí)刻t的輸入，h為輸入序列的隱藏狀態(tài)， W_q 為權(quán)重矩陣， α_t 是注意力權(quán)重，c表示上下文向量，結(jié)合了輸入序列所有隱藏狀態(tài)的信息。

（三）BiLSTM-Attention模型

BiLSTM-Attention模型的架構(gòu)如圖1所示，包括輸入層、涵蓋前向和后向LSTM層的BiLSTM層、Attention層以及輸出層。

BiLSTM雖然具有獨(dú)特的優(yōu)勢(shì)，能同時(shí)處理前向和后向序列信息，提高預(yù)測(cè)能力。但此模型只能均等處理所有時(shí)間步，無(wú)法區(qū)分哪些時(shí)間點(diǎn)更為重要，此外，處理長(zhǎng)時(shí)間序列時(shí)，計(jì)算開銷大，信息冗余較多，影響模型的計(jì)算效率。因此，BiLSTM-Attention模型能有效捕捉不同時(shí)間點(diǎn)的特征狀態(tài)對(duì)預(yù)測(cè)結(jié)果的影響，捕捉市場(chǎng)的長(zhǎng)短期依賴，提高計(jì)算效率，適應(yīng)金融市場(chǎng)的非線性和突變性，增強(qiáng)預(yù)測(cè)的穩(wěn)定性和可解釋性。

三、基于BiLSTM-Attention模型的股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)

（一）數(shù)據(jù)來(lái)源與變量定義

1.數(shù)據(jù)

以2008年1月1日至2024年3月31日中國(guó)滬深兩市30家上市公司股票交易數(shù)據(jù)為初始研究樣本。所有數(shù)據(jù)均源自Wind數(shù)據(jù)庫(kù)。將前 80% 的數(shù)據(jù)用于構(gòu)建訓(xùn)練集， 10% 用于驗(yàn)證集，最后的 10% 用于測(cè)試集。

表1模型預(yù)測(cè)性能對(duì)比

2.變量定義與特征選擇

借鑒 Han^[5] 等人的研究方法，將股票崩盤定義為9個(gè)交易日內(nèi)跌幅超過(guò) 20% 。具體來(lái)說(shuō)，如果股票的最低價(jià)在前9個(gè)交易日中的任意一個(gè)交易日低于收盤價(jià)的80% ，則認(rèn)為股價(jià)在當(dāng)天崩盤。

由于金融市場(chǎng)中影響股票的因素眾多，借鑒黃鶴[等人的研究方法，構(gòu)建全面的特征體系，以捕捉可能導(dǎo)致股價(jià)崩盤的關(guān)鍵因素。

在股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)中，合理的特征選擇能夠有效減少冗余信息，增強(qiáng)預(yù)測(cè)的準(zhǔn)確性和泛化能力。

因此，采用互信息（MI）方法來(lái)進(jìn)行特征選擇，最終選擇8個(gè)指標(biāo)作為模型的特征輸入，分別為收盤價(jià)、最低價(jià)、對(duì)數(shù)收益率、超額收益、成交量波動(dòng)率、VIX恐慌指數(shù)、RSI和MACD。

（二）模型評(píng)價(jià)指標(biāo)

在評(píng)估指標(biāo)設(shè)計(jì)上，由于股價(jià)崩盤事件是一個(gè)二分類問(wèn)題，因此針對(duì)性的評(píng)估指標(biāo)為準(zhǔn)確率（ACC）精確率（PRE）、召回率（Recall）、F1-score和馬修斯相關(guān)系數(shù)（MCC）。準(zhǔn)確率量化了整個(gè)樣本集內(nèi)準(zhǔn)確預(yù)測(cè)的百分比。PRE評(píng)估了所有被判定為“正”的樣本中準(zhǔn)確預(yù)測(cè)的百分比。Recall判定所有正樣本中準(zhǔn)確預(yù)測(cè)的比例。F1-score得分表示精確率和召回率的調(diào)和平均數(shù)。MCC則衡量模型的整體預(yù)測(cè)能力。采用上述所有評(píng)估指標(biāo)來(lái)評(píng)估預(yù)測(cè)模型，這些指標(biāo)的計(jì)算公式如下：

（三）基線

將BiLSTM-Attention模型與其他預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行比較，主要包括以下5種：邏輯回歸（LR）、支持向量機(jī)（SVM）、隨機(jī)森林（RF）、XGBoost和LSTM。LR、SVM、RF和XGBoost分別代表從簡(jiǎn)單線性模型到復(fù)雜集成算法的分類方法，具備從高效計(jì)算到強(qiáng)大非線性建模與抗過(guò)擬合能力的多樣優(yōu)勢(shì)，適用于不同規(guī)模與復(fù)雜度的數(shù)據(jù)場(chǎng)景。

（四）實(shí)驗(yàn)分析

在對(duì)比測(cè)試部分，選取5個(gè)模型進(jìn)行對(duì)比，模型預(yù)測(cè)能力實(shí)驗(yàn)結(jié)果見表1。由于股價(jià)大跌是一個(gè)相對(duì)小概率事件，因此，重點(diǎn)關(guān)注ACC、Recall和MCC值，這三個(gè)指標(biāo)對(duì)于評(píng)估模型在處理不平衡數(shù)據(jù)集中的性能尤為重要。

實(shí)驗(yàn)發(fā)現(xiàn)BiLSTM-Attention以0.83的ACC表現(xiàn)最好，表明其在整體預(yù)測(cè)時(shí)能夠正確分類大量正常和異常樣本。Recall衡量的是模型能夠正確識(shí)別出多少真實(shí)的大跌事件，由于股價(jià)大跌是較少發(fā)生的事件，召回率對(duì)于此類問(wèn)題至關(guān)重要。BiLSTM-Attention的Recall為0.81，是所有模型中最高的，表明該模型在識(shí)別股價(jià)大跌的事件方面具有較強(qiáng)的能力，能夠盡可能多地捕捉到所有可能的大跌信號(hào)，減少漏報(bào)。相比之下，LR和SVM模型的Recall較低，意味著它們?cè)谧R(shí)別股價(jià)大跌事件時(shí)可能會(huì)漏掉一些關(guān)鍵的風(fēng)險(xiǎn)信號(hào)。BiLSTM-Attention的MCC值為0.70，在所有模型中最高，表明它在所有分類任務(wù)中具有良好的表現(xiàn)，特別是在面對(duì)股價(jià)大跌這種小概率事件時(shí)，能夠有效避免誤分類，并提供較高的可靠性。

綜合來(lái)說(shuō)，BiLSTM-Attention模型顯示了在處理股價(jià)大跌這種小概率事件時(shí)的顯著優(yōu)勢(shì)。特別是在Recall和MCC方面，BiLSTM-Attention模型能夠最大限度地減少漏報(bào)并提高整體的預(yù)測(cè)可靠性。雖然XGBoost和LSTM模型也有不錯(cuò)的表現(xiàn)，但它們的召回率和MCC值較低，意味著它們可能會(huì)錯(cuò)過(guò)一些關(guān)鍵的股價(jià)大跌事件。因此，BiLSTM-Attention模型是處理股價(jià)大跌預(yù)測(cè)任務(wù)的優(yōu)選模型。

四、結(jié)語(yǔ)

股價(jià)崩盤風(fēng)險(xiǎn)的識(shí)別和預(yù)警是金融市場(chǎng)穩(wěn)定的關(guān)鍵環(huán)節(jié)，對(duì)投資者、公司、金融機(jī)構(gòu)和監(jiān)管者等各方都具有極其重要的意義。因此利用深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等方法能夠有效提升股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)的精度。對(duì)股市崩盤的準(zhǔn)確預(yù)測(cè)，能夠?yàn)橥顿Y者提供有效的風(fēng)險(xiǎn)預(yù)警，從而幫助他們規(guī)避潛在的重大損失。采用了基于BiLSTM與Attention機(jī)制結(jié)合的股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)模型，使用30家公司的日度股票數(shù)據(jù)，對(duì)BiLSTM網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行分析，進(jìn)一步挖掘股市的歷史波動(dòng)規(guī)律，尤其是在股價(jià)劇烈波動(dòng)時(shí)的崩盤信號(hào)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)模型LR、SVM、RF、XGBoost以及LSTM模型相比，BiLSTM-Attention模型在股價(jià)崩盤風(fēng)險(xiǎn)預(yù)測(cè)中的表現(xiàn)有顯著提升。結(jié)果證明，BiLSTM-Attention模型在捕捉股市波動(dòng)中的關(guān)鍵風(fēng)險(xiǎn)信號(hào)方面更具有效性，不僅在預(yù)測(cè)能力上優(yōu)于傳統(tǒng)的時(shí)間序列模型，而且在模型穩(wěn)定性方面也表現(xiàn)出色。

參考文獻(xiàn)

[1]蘇暢，馬影.ESG評(píng)級(jí)分歧與股價(jià)崩盤風(fēng)險(xiǎn)：誰(shuí)的責(zé)任？[J].會(huì)計(jì)之友，2025（05）：94-102.

[2]Van Gysen M，Huang C S，Kruger R.The performance oflinearversus non-linear modelsin forecastingreturns on theJohannesburg Stock Exchange[J]. The International Businessamp;Economics Research Journal（Online），2013，12（08）：985.

[3]Hochreiter S，Schmidhuber J.Long short-term memory[J]. Neural computation，1997，9（08）：1735-1780.

[4]Yuan Q，He M，Chen Z，et al.A real-time prediction method forrate of penetration sequence in offshore deep wells drilling based on attention mechanism-enhanced BiLSTM model[J].Ocean Engineering，2025（325）：120820.

[5]Han M， Hao Z，Zhao Y.Stock price crash risk prediction basedon high-low frequencydual-layer graph attentionnetwork[J]. InternationalReviewofEconomicsamp;Finance，2024（96）：103608.

[6]荊思寒，王振山，隋聰，等.股票間的風(fēng)險(xiǎn)傳染—基于對(duì)股價(jià)崩盤風(fēng)險(xiǎn)的預(yù)測(cè)[J].系統(tǒng)工程理論與實(shí)踐，2022，42（11）：3090-3104.

作者單位：首都經(jīng)濟(jì)貿(mào)易大學(xué)

1責(zé)任編輯：張津平尚丹