Customize Consent Preferences

We use cookies to help you navigate efficiently and perform certain functions. You will find detailed information about all cookies under each consent category below.

The cookies that are categorized as "Necessary" are stored on your browser as they are essential for enabling the basic functionalities of the site. ... 

Always Active

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

No cookies to display.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

No cookies to display.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

No cookies to display.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

No cookies to display.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

No cookies to display.

0

上海,中国 – 上海交通大学近日推出了一款名为StockMixer的创新型股票价格预测架构,这款基于多层感知器(MLP)的AI模型,凭借其简洁的结构和强大的预测能力,在多个股票市场基准测试中表现优异,超越了多种先进的预测方法,引发了金融科技领域的广泛关注。

突破传统:StockMixer的创新之处

StockMixer并非简单地套用传统机器学习模型,而是通过巧妙地融合了指标混合、时间混合和股票混合三个关键步骤,深入挖掘股票数据中隐藏的复杂相关性。

  • 指标混合(Indicator Mixing):StockMixer利用矩阵乘法和激活函数,模拟每只股票在特定时间点上内部指标之间的相互作用,从而提取出对未来股票趋势有预测价值的高级特征。这一步骤如同为每只股票绘制了一张精细的“体检报告”,揭示其内在的动态变化。
  • 时间混合(Time Mixing):该模型采用多尺度时间片段的信息交换机制,捕捉股票价格运动中的时间趋势和模式。这意味着StockMixer能够从不同时间尺度上提取特征,如同一个经验丰富的交易员,能够同时关注短期波动和长期趋势。
  • 股票混合(Stock Mixing):StockMixer学习从整个市场到个股再回到整个市场的股票状态,模拟股票之间的复杂相关性。这一步骤模拟了市场情绪对个股的影响,使模型能够更稳健地建模股票相关性,如同一个资深的经济学家,能够洞察市场整体的脉动。

技术原理:简洁高效的MLP架构

StockMixer的核心是一个基于多层感知器(MLP)的架构,这种架构以其线性计算复杂度和简洁性而著称。然而,StockMixer并非简单的MLP应用,而是通过巧妙的设计,使其能够高效地处理股票数据:

  • 信息交换:通过MLP结构在不同维度(指标、时间和股票)之间交换信息,增强了模型的表现力,使得模型能够从多个角度理解股票数据。
  • 残差连接和层归一化:残差连接保持输入和混合特征之间的平衡,层归一化减少数据偏移的影响,确保模型训练的稳定性和有效性。
  • 多尺度时间片段:将时间序列分割成不同大小的片段,捕获不同时间尺度上的特征,使得模型能够更好地理解时间序列数据。
  • 股票到市场和市场到股票的影响:基于两个MLP结构学习潜在的股票状态,用这些状态影响个股,模拟股票之间的相关性,使得模型能够更好地理解市场对个股的影响。
  • 损失函数设计:结合点回归和成对排名感知损失,优化模型用最小化预测和实际回报率之间的均方误差,保持高预期回报股票的相对顺序,确保模型能够有效预测股票的未来走势。

应用场景:潜力无限的金融科技新星

StockMixer的强大预测能力使其在多个领域具有广泛的应用前景:

  • 量化投资:StockMixer可以为量化投资策略制定者提供准确的股票价格预测,帮助他们制定更有效的交易策略,从而获得超额回报。
  • 风险管理:金融机构可以利用StockMixer更好地评估和管理投资组合的市场风险,从而降低投资风险。
  • 算法交易:在高频交易中,StockMixer可以提供快速的股票价格预测,帮助算法交易系统做出即时的买卖决策,提高交易效率。
  • 投资组合优化:投资经理可以利用StockMixer优化投资组合,选择预期表现较好的股票,或避开潜在的风险,从而提高投资回报。
  • 市场分析和研究:分析师可以利用StockMixer分析市场趋势,进行行业比较,及研究特定事件对股票价格的影响,从而更好地理解市场动态。

开源共享:推动金融科技发展

上海交通大学已将StockMixer的项目代码开源,并发布了相关的技术论文,旨在推动金融科技领域的发展。

结论

StockMixer的出现,不仅为股票价格预测领域带来了新的思路,也展示了人工智能在金融领域的巨大潜力。其简洁高效的架构和强大的预测能力,使其有望成为未来金融科技领域的重要工具。随着技术的不断发展和完善,我们有理由相信,StockMixer将在量化投资、风险管理、算法交易等领域发挥越来越重要的作用,为金融市场的健康发展贡献力量。

参考文献


>>> Read more <<<

Views: 0

0

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注