1. 研究背景及意义
近十年我国国民人均可支配收入和股市规模均显著增长。股市具有高风险属性,多数投资者亏损。准确预测股价走势是相关专家的研究热点。本研究将股票历史数据转换为图像,输入深度学习模型,预测个股次日涨跌趋势。并根据预测结果制定量化交易策略,辅助投资者决策,验证模型有效性。
2. 研究方法
本研究同时使用了个股、行业板块、沪深300指数、标普500指数的信息。
图像的绘制:
GSC_Stock，使用每日的Open、High、Low、Close数据完成图像绘制。
GSC_TA，这里使用了10个技术指标：ROC_1、TEMA_5、WMA_5、SMA_5、HMA_5、EMA_5、CMO_9、WR_9、MACD_9、CCI_14。
MACD图像，由六部分构成，整幅图同时包含了历史量价与技术指标数据信息。
模型的选取：
本实验选取在标准样本集表现更好的VGG-16为基准模型。在此基础上提出引入多分支机制的改进DB-VGG16，引入多分支机制处理多维输入信息，并通过1x1的卷积实现通道信息。
然后再引入动态卷积注意⼒机制，在不增加⽹络的深度和宽度的前提下提升模型的表⽰能⼒。
3. 研究结论
本实验训练样本选取随机抽取的60000张正例图像及60000张负例图像。测试样本从沪深股市中随机抽取9只个股2021年的数据对模型的性能进行验证。
结果显示，多分支和注意力机制模型平均性能得到了更显著的提升，MACD类型的图像在所有指标上都取得了最优值,同时考虑个股的历史量价信息与技术指标信息能帮助显著提升预测的准确度.
最后用量化交易回测结果分析，九只个股在2021年取得了8.20%至110.24%不等的超额收益。
4. 应用前景
将多维度数据作为输⼊的个股涨跌趋势预测模型以及将注意⼒机制引⼊到多分支深度卷积神经⽹络模型中提高了模型预测的准确性。
本研究仅使用由基础量价信息生成的图像来完成对模型的训练及预测，取得了不错的预测效果，但仍存在改进空间。