计算机应用

作者：张亚飞, 王晶, 赵耀帅, 武志昊, 林友芳

单位：1.北京交通大学 计算机与信息技术学院, 北京 100044；2.交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044；3.中国民用航空局 民航旅客服务智能化应用技术重点实验室, 北京 101318；4.中国民航信息网络股份有限公司, 北京 101318

关键词：股票趋势预测,宏观记忆网络,动态依赖,层次宏观信息,门控单元

基金：中国民航信息网络股份有限公司和民航旅客服务智能化应用技术重点实验室基金资助项目(K20L00070)

股票市场结构复杂、信息多样，股票趋势预测极具挑战性。但现有研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种动态宏观记忆网络（DMMN），并基于DMMN同时对多只股票进行价格趋势预测。该方法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获这些信息在时序上的长期依赖；然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相较于基于注意力长短期记忆（ALSTM）网络、添加了图卷积的LSTM网络（GCN-LSTM）、卷积神经网络（CNN）等模型的股票预测方法，基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果，和表现最优的对比方法ALSTM相比分别提升了4.87%和31.90%，这表明DMMN在具备较好预测性能的同时还具备更好的实用价值。

来源：2023年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第5期