准确预测股票市场趋势对于支持长期投资策略和有效管理投资组合至关重要,因此成为金融研究中一个持续且重要的研究领域。股票市场的固有波动性源于多种因素的复杂相互作用,如宏观经济指标、企业收益、投资者情绪和不可预测的外部事件。这种复杂性和不确定性促使人们开发出越来越复杂的预测方法,这些方法利用了各种数据来源,包括历史价格、技术指标、基本面数据和财务新闻。
股票预测方法已经从统计模型发展到机器学习和深度学习。传统的统计模型在模拟线性趋势方面很有效,但往往无法捕捉金融市场的非线性和动态特性。虽然机器学习模型通过识别复杂模式提高了预测性能,但通常需要大量的手动特征工程和领域特定知识。为了克服这些挑战,深度学习方法因其能够从大规模原始数据中自动提取高级表示而受到欢迎。
随着预测方法的进步,研究人员也越来越重视对金融时间序列的有效表示,以便更好地捕捉对预测至关重要的时间模式和关系。早期研究直接使用了价格和成交量信息的时间序列,保留了固有的时间结构,使模型能够学习短期和长期趋势。最近,引入了财务视觉技术,将1D时间序列转换为2D图像以捕捉时间模式和关系。这一方向使得基于计算机视觉的神经网络能够应用于金融预测任务。通过利用这些模型提取空间特征的能力,财务视觉方法可以揭示传统时间序列模型可能忽略的复杂时间模式和趋势变化。除了提高预测性能外,基于图像的表示还可以在某些分析情境中提高可解释性。因此,财务视觉在各种股票预测任务中展示了相当大的潜力[1]、[2]、[3]、[4]、[5]、[6]。然而,这些研究主要集中在市场数据上,如开盘价、收盘价和交易量。
除了市场数据外,外部信息来源,如新闻文章、社交媒体帖子和在线讨论论坛,在影响股票市场趋势方面也起着关键作用。积极的情感往往会对股票价格产生上行压力,而消极的情感则常常与市场突然下跌有关。许多研究表明,与仅依赖历史市场数据的模型相比,结合此类情感相关信息可以将预测准确性提高约5-10% [7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]。
现有整合市场和情感数据的研究可以大致分为两类:模型级整合[7]、[8]和特征级整合[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]。前者在预测模型本身内部进行整合,通常在中间层或决策层通过聚合单独的输出来实现。相比之下,后者在将市场和情感特征输入预测模型之前进行整合,形成一个统一的表示。一般来说,特征级整合通过在预测之前合并输入来简化模型,降低架构复杂性并加快训练速度。
虽然之前的研究探索了将财务视觉技术应用于市场数据[1]、[2]、[3]、[4]、[5]、[6],但它们大多忽略了新闻情感的整合。相反,其他工作将情感信息与市场数据结合[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16],但它们采用了一种简化的策略,即从文本数据中提取情感分数并将其附加到市场特征中形成1D输入向量。这一差距突显了需要一种使用财务视觉技术整合股票市场数据和新闻情感的方法来提高预测性能。
为了填补这一空白,我们提出了一种新颖的方法——集成市场数据和新闻情感(IMS),该方法整合了历史市场数据和来自财务新闻的情感特征。使用大型语言模型(LLM)提取三种情感分数:积极、消极和中性,以及反映每篇文章相对重要性的权重。这些特征与市场数据一起被单独编码成2D图像。然后,IMS通过使用不同的布局策略(包括堆叠、水平和垂直配置)排列市场和情感图像来构建复合视觉表示。这些统一的图像随后被用作深度学习模型(如卷积神经网络(CNN)的输入,用于股票趋势预测。所提出的方法旨在捕捉市场动态和外部新闻驱动信号之间的复杂时间、空间和语义交互。
我们提出的IMS方法具有以下特点:
1.基于视觉的新闻情感整合:与之前将新闻情感作为数值特征或向量整合的方法不同,IMS是第一个将基于新闻的情感信息转换为2D视觉表示,并将其与市场数据整合到统一的财务视觉框架中的研究。这种表示级别的整合使情感信息能够与市场动态一起通过CNN共同学习。
2.通过LLM实现更丰富的情感表示:IMS使用LLM提取三种情感分数:积极、消极和中性,而之前的研究通常只依赖两种(积极和消极)。这种更丰富的情感表示使模型能够捕捉到当情感被简化为二元类别时可能被忽略的更微妙的情感动态。此外,IMS引入了重要性权重来量化每篇新闻文章的相对重要性,这是之前工作中未考虑的一个特征。
3.通过多种布局策略进行图像组合:IMS将市场数据和情感数据编码为2D图像表示,并探索了多种图像组合布局,如堆叠、水平和垂直配置。这些布局通过实证比较来确定哪种结构最能提高预测性能。
4.使用LLM定制的模型架构:IMS不是使用标准的预定义深度学习模型,而是利用LLM来辅助生成定制的、紧凑的神经架构。这些模型旨在减少过拟合,并更有效地适应金融时间序列的动态特性,与较大的通用架构相比。
本文的其余部分组织如下。第二节介绍了一些背景信息并回顾了使用市场和情感数据进行股票预测的相关文献。第三节介绍了系统模型并定义了问题陈述。第四节描述了所提出的方法IMS,第五节描述了其实现。第六节展示了实验结果并给出了一些有趣的观察结果。最后,第七节得出了一些结论和未来的工作方向。