多模式金融深度学习：整合与预测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Multimodal Deep Learning for Finance: Integrating and Forecasting
  International Stock Markets》
---
作者：
Sang Il Lee and Seong Joon Yoo
---
最新提交年份：
2019
---
英文摘要：
  In today\'s increasingly international economy, return and volatility spillover effects across international equity markets are major macroeconomic drivers of stock dynamics. Thus, information regarding foreign markets is one of the most important factors in forecasting domestic stock prices. However, the cross-correlation between domestic and foreign markets is highly complex. Hence, it is extremely difficult to explicitly express this cross-correlation with a dynamical equation. In this study, we develop stock return prediction models that can jointly consider international markets, using multimodal deep learning. Our contributions are three-fold: (1) we visualize the transfer information between South Korea and US stock markets by using scatter plots; (2) we incorporate the information into the stock prediction models with the help of multimodal deep learning; (3) we conclusively demonstrate that the early and intermediate fusion models achieve a significant performance boost in comparison with the late fusion and single modality models. Our study indicates that jointly considering international stock markets can improve the prediction accuracy and deep neural networks are highly effective for such tasks.
---
中文摘要：
在当今日益国际化的经济中，国际股票市场的回报和波动溢出效应是股票动态的主要宏观经济驱动力。因此，有关外国市场的信息是预测国内股票价格的最重要因素之一。然而，国内和国外市场之间的相互关系非常复杂。因此，很难用动力学方程明确表示这种互相关。在这项研究中，我们利用多模式深度学习开发了可以联合考虑国际市场的股票收益预测模型。我们的贡献有三个方面：（1）利用散点图可视化了韩国和美国股市之间的传递信息；（2） 借助多模态深度学习，我们将信息纳入股票预测模型；（3） 我们最终证明，与后期融合和单模态模型相比，早期和中期融合模型实现了显著的性能提升。我们的研究表明，联合考虑国际股票市场可以提高预测精度，而深度神经网络对于此类任务非常有效。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Computational Finance        计算金融学
分类描述：Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法，包括蒙特卡罗，偏微分方程，格子和其他数值方法，并应用于金融建模
--
一级分类：Computer Science        计算机科学
二级分类：Machine Learning        机器学习
分类描述：Papers on all aspects of machine learning research (supervised, unsupervised, reinforcement learning, bandit problems, and so on) including also robustness, explanation, fairness, and methodology. cs.LG is also an appropriate primary category for applications of machine learning methods.
关于机器学习研究的所有方面的论文（有监督的，无监督的，强化学习，强盗问题，等等），包括健壮性，解释性，公平性和方法论。对于机器学习方法的应用，CS.LG也是一个合适的主要类别。
--

---
PDF下载：
--> Multimodal_Deep_Learning_for_Finance:_Integrating_and_Forecasting_International_.pdf (4.1 MB)

2022-6-14 07:34:30 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：深度学习 Applications Increasingly Quantitative Contribution

金融多模式深度学习：整合和预测国际股票市场Sang Il Lee和Seong Joon Yoode韩国首尔世宗大学计算机工程系{silee，sjyoo}@Sejong。ac.krAbstract。在当今日益国际化的经济中，国际股票市场的回报和波动溢出效应是股票动态的主要宏观经济驱动力。因此，有关国外市场的信息是预测国内股票价格的最重要因素之一。然而，国内和国外市场之间的相互关系非常复杂。因此，很难用动力学方程明确表示这种互相关。在这项研究中，我们利用多模式深度学习开发了可以联合考虑国际市场的股票收益预测模型。我们的贡献有三个方面：（1）利用散点图可视化了韩国和美国股市之间的传递信息；（2） 我们借助多模态深度学习将信息纳入股票预测模型；（3） 我们最终证明，与晚期融合和单模态模型相比，早期和中期融合模型实现了显著的性能成本。我们的研究表明，联合考虑国际股票市场可以提高预测精度，而深度神经网络对于此类任务非常有效。关键词：股票预测、深度神经网络、多模态、数据融合、国际股票市场1简介1.1研究目的和范围近年来，国际股票市场之间的相互依存关系稳步增长。特别是，在1987年股市崩盘后，相互依存关系显著增强[1]，最近，这种相互依存关系在2007年全球金融危机期间得到广泛关注[2]。

两者都起源于美国，导致国际股市股价大幅下跌，并迅速蔓延到其他国家。此次危机清楚地证明，源自一个市场的金融事件并非孤立于该特定市场，而是可以跨国界传播。2多模式金融深度学习目前，这种国际化是一种普遍现象，预计会加速。我们的研究目的是通过深度学习来研究额外的国际市场信息在股票预测中的贡献。通常，股票预测中没有考虑这种相互联系，不同于国家特定价格、宏观经济、新闻和基础数据等各种数据类别。我们以股票交易所交易时间不重叠的韩国和美国股票市场为案例，结合这两个市场的数据，研究了韩国股票市场的一日前股票收益预测。由于市场行为的不同，这两个市场的组合尤其引人入胜：美国市场有长期上升趋势，而韩国市场则没有。因此，它们之间可能存在的相关性不仅仅是全球经济持续增长的结果。我们利用了两个市场的每日交易数据（即开盘价、高价、低价和收盘价），这些数据是公开的，并量化了市场的每日走势。这种公开性确保了我们的结果更可能是独立的，并且更容易与其他数据集成，作为一个原型模型。我们设计了多模态深度学习模型，通过在早期、中期和后期融合的特征之间串联，提取跨市场相关性。

这些模型根据要测试的市场，不同程度地强调市场内和市场间的相关性。实验表明，早期和中期融合的预测精度优于单模态预测和后期融合。这表明，尽管股票价格的信噪比很低，但多模态深度学习可以捕获股票价格的互相关。它还表明，在优化预测模型时，跨市场学习为提高股票预测的准确性提供了机会，即使在市场上缺乏共同趋势的情况下也是如此。本文的其余部分组织如下。第1.2节讨论了与现有工程的联系。第二节介绍了美国和韩国的国际股票市场。第3节讨论了数据和预处理方法。第4节描述了深层神经网络的基本架构，并举例说明了三种预测模型。第5节介绍了深层神经网络的培训信息。第6节介绍了模型的预测精度，并讨论了它们的能力。最后，第7节给出了结论和未来的研究范围。1.2与以往研究的联系在过去几十年中，机器学习技术，如人工神经网络（ANN）、遗传算法（GAs）、支持向量机（SVM）和自然语言处理（NLP）已被广泛用于金融数据建模。

例如，设计用于控制ANN激活的遗传分类器【3】、ANN中用于特征离散化的遗传算法方法【4】、基于小波去噪的ANN【5】、基于小波的ANN【6】以及情感分析和机器学习的调查【8,9】。多模式金融深度学习3机器学习技术有助于缓解建模困难，例如金融变量中存在非线性行为、相关变量之间关系的非平稳性以及低信噪比。特别是，深度学习正成为一种很有前途的金融复杂性建模技术，因为它能够从复杂的现实世界数据中提取相关信息[10]。例如，基于长期短期记忆（LSTM）网络的股票预测【11】，基于深度自动编码器的深度投资组合【12】，使用递归神经网络的阈值【13】，以及涉及深度前馈网络的深度因子模型【14】和LSTM网络【15】。该领域进一步研究的一个主要挑战是在财务数据建模中同时考虑众多因素。在寻找解释横截面预期股票回报的因素时，通过使用计量经济学模型，发现了许多潜在的候选因素。例如，会计数据、宏观经济数据和新闻【16、17、18、19、20】。考虑一些预先规定的因素的股价预测可能会导致错误的预测，因为它们反映了部分信息或各因素的有效组合。因此，目前，金融领域最重要的任务之一是开发一种方法，有效地将各种因素整合到预测过程中。最近的一些研究已经开始使用深度学习结合财务数据。Xing等人。

[21]处理价格、交易量和情绪数据，以使用LSTM网络构建投资组合。Bao等人[22]使用交易数据（价格和交易量）、技术指标和宏观经济数据（交易所和利率），通过结合小波变换（WT）、堆叠自动编码器（SAE）和LSTM来预测股票价格。这些研究的融合策略将数据连接到输入层，称为早期融合。然而，由于这种方法中的隐藏层暴露于跨模态信息，因此在训练期间，很难专门使用它们来提取基本的模态内关系。在本研究中，为了有效整合财务数据，我们引入了一种系统的融合方法，即早期、中期和晚期融合，并将国际股票市场作为案例研究。随着经济全球化的不断加剧，国际市场动态一直是金融学术界和产业界的一个有争议的问题。尽管股市一体化在自由贸易和全球化时代显而易见，但其内在机制非常复杂，不易理解。金融经济学家利用向量自回归（VAR）和自回归条件异方差（ARCH）模型等计量经济学工具，开发了描述世界主要证券交易所之间动态相互依存关系的模型【23,24】。他们试图找出这种相互依存关系背后的潜在原因，从放松管制[25,26]、国际商业周期[27]、区域负债和贸易联系[28]以及区域经济一体化[29]等方面提供可能的机制场景。

然而，尽管这些方法在解释潜在机制方面具有优势，但它们通常只处理少数财务变量；其结果仅描述了复杂金融现实的一部分，而这一现实实际上具有多维和非线性特征。因此，针对金融国际市场的多模式深度学习是一个很好的案例研究，以证明深度学习在金融数据融合中的有效性。此外，国际市场建模在实践中很重要，因为投资者和投资组合经理需要持续评估国际信息并相应调整其投资组合，以便从投资组合多元化中获益【30】。从技术上讲，我们受到了计算机科学中多模式深度学习技术成功的启发。深度学习的主要优点是能够从原始数据中自动学习层次表示，然后可以扩展到不同抽象级别的跨模态共享表示[31,33]。多模态深度学习已广泛应用于多个沟通渠道，如听觉（词汇、韵律、对话行为和修辞结构）和视觉（手势、姿势和图形），实现了比仅使用单一模态数据的方法更好的预测精度。2国际股票市场：美国和韩国我们考虑韩国和美国两个国际股票市场。它们是研究溢出效应的有效案例，因为这些市场的交易时间范围并不重叠。美国股市上午9:30开市。m、 下午4:00（美国东部时间）关闭，而韩国证券交易所上午9:00开放，下午3:30（韩国东部时间）关闭。韩国股市在美国股市收盘后三小时开盘。

由于时区不重叠，美国市场指数的收盘价影响韩元市场指数的开盘价，反之亦然。对于这两个市场之间的相关行为，有重要的经验证据。Na和Sohn【34】利用关联规则研究了韩国综合股价指数（KOSPI）和世界股市指数之间的协动关系。他们发现，韩国综合股价指数的走势与美国和欧洲股市指数的走势相同，与包括香港和日本在内的其他东亚国家股市指数的走势相反，与KR.Jeon和Jang【35】有竞争关系的研究人员发现，通过将向量自回归（VAR）模型应用于两国的每日股价，美国市场在KR股票市场中起着主导作用。Lee【36】统计数据显示，它们之间存在显著的波动溢出效应。总的来说，以往基于传统财务模型和主要线性回归模型的研究结果通过识别统计上重要的解释变量，一致证明了这两个市场之间存在着相互关系。本研究的目的是通过多模式深度学习获取这种相互关系，并将其作为股票预测的补充信息。图1显示了整合KR和美国股市价格并预测KR市场的模型示意图（神经网络将在第4节中详细讨论）。多模式金融深度学习5KR closeEU openUS openUS closeKR openEU close03:30 PM05:30 PM11:00 PM03:00 AM07:00 AM09:00 AMAsian markets open10:00 AMKR close03:30 PMExchange交易时间（KR时间）预测模型KO预测一天提前预测的监督学习KR dataUS dataFig。1.

KR和美国股市价格整合模型示意图，预测KR市场价格。3数据和预处理3.1国际市场指数我们使用KOSPI（KO）指数作为韩国股市的代表，并使用标准普尔500指数（SP）、纳斯达克指数（NA）和道琼斯工业平均指数（DJ）作为美国股市的代表。KO是KR股票市场的一个具有高度代表性的指数，因为它根据资本化加权方案跟踪在KR证券交易所上市的所有普通股的表现。TheDJ是一个由30只大型工业股票组成的价格加权指数。标普是美国经济不同行业500家领先公司的价值加权指数。标普指数涵盖了美国股票价值的80%，因此提供了美国隔夜信息的总体视图。TheNA根据其指数中包含的股票资本化进行加权，并包含思科、微软和英特尔等大型科技公司的股票。3.2原始数据这四个指数的每日市场数据来自雅虎财经，包含每日交易数据，如开盘价（Open）、高价（high）、6多模金融深度学习2008 2010 2014 2016日期0.51.01.52.02.53.03.5标准化价格Kospis和P500NASDAQDow JonesFig。2、2006年至2017年期间的标准化KOSPI、S＆P500、DAIJ和NASDAQ指数，通过从每个原始值中减去平均值并除以标准偏差得出。低价（low）、调整后收盘价（Close）和日终成交量。数据来自2006年1月1日至2017年12月31日期间（图2）。

我们的数据集不包括任何一个股市收盘日的数据。3.3培训、验证和测试集所有数据分为培训数据集（70%），用于开发预测模型，测试集（30%）用于评估其预测能力。30%的培训集用作验证集。3.4特征构建我们寻找预测因子，以预测t+1 rt+1时的每日（接近收盘）KO回报，给定从t时可用交易数据中提取的特征向量XT。为了描述指数的移动，我们定义了t时的一组有意义的特征，如下所示：1。日间，高-收盘回报率：=DHTC·t=高- ClosetCloset，2。白天，开放至关闭返回：=DOTC·t=开放- ClosetCloset，3。白天，低至关闭返回：=DLTC·t=低- ClosetCloset，多模式金融深度学习74。隔夜，近距离返回：=OCTC·t=壁橱- 壁橱-1关闭-1,5. 隔夜，开放至关闭返回：=OOTC·t=开放- 壁橱-1关闭-1、这些特征描述了股票指数的每日走势：DHTC·t为最高日间走势，DLTC·t为最低日间走势，DOTC·t为日间走势，OOTC·t为响应隔夜信息的开盘跳转，和OCTC·t表示反映时间t所有可用信息的总运动。让我们将每个模态的特征向量表示为xit=[DHTCit，DOTOit，DLTCit，OCTCit，OOTCit]t，其中∈ {KO、SP、DJ、NAS}和美国∈ {SP，NA，DJ}。时间t的多模态模型的输入特性xtformultimodal models是XKO和xUSt的组合，这取决于多模态深度学习体系结构。