基于DTW-TCN的股票分类及预测研究

摘要：

随着社会以及信息技术的发展,金融工具、股票交易呈现出新的形态,其中,由于金融数据量呈指数级增长,股票类数据难以分类与预测,因此在高频交易中股票趋势预测尤为重要.为提高高频交易中股票趋势预测的精准度,构建基于动态时间规整(DTW)聚类分析的时间卷积神经网络(TCN)模型用于股票分类和预测研究.在本文模型(DTW-TCN)中,采用开盘价、最高价、最低价、收盘价、成交量、成交额作为股票特征变量.为避免量级影响,首先,对特征向量标准化处理,随后利用动态时间规整对于时间序列相似性的衡量作用,作为股票的分类标准;然后,通过TCN卷积神经网络提取类别共同特征进行网络训练,进一步,将类别中的普遍性行业股票利用训练好的卷积神经网络进行股票趋势预测;最终,得到所属类别股票每分钟开盘价与收盘价走势,并与实际趋势相对比进行误差分析.以19只行业代表性股票分钟级数据为样本进行实验,结果表明,本文模型能有效地分类趋势趋同的股票,并且实现在分钟级别高频交易中准确进行趋势预测,对比传统时间序列模型和LSTM网络模型具有更大时间特性优势.未来DTW-TCN分类预测模型可以用于更多大数据信息分类和预测实例中.

关键词：时间序列预测、动态时间规整、时间卷积神经网络、高频交易、聚类分析

分类号：TP391(计算技术、计算机技术)

资助基金：国家社会科学基金21XJY019

在线出版日期：2023-09-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：31-37