多模式金融深度学习：整合与预测

3[-1, 1] 0.552 (3.895) 0.549 (3.908) 0.549 (3.901) 0.556 (3.624) 0.605 (3.690)[0, 1] 0.464 (4.004) 0.471 (4.521) 0.496 (4.962) 0.552 (3.710) 0.573 (3.693)[-0.5，0.5]0.468（3.991）0.489（4.810）0.489（4.244）0.584（3.648）0.599（3.764）平均值±标准差0.499±0.028 0.497±0.024 0.498±0.021 0.584±0.019 0.595±0.013多模式金融深度学习15表5。命中率（MSE×10-5） 出口测量。1-3对于KO和DJ数据标定非融合多模式融合KO仅DNN DJ仅DNN晚期早期中期Expt。1[-1, 1] 0.490 (5.257) 0.518 (5.263) 0.515 (5.253) 0.598 (4.774) 0.623 (4.987)[0, 1] 0.526 (5.284) 0.521 (10.360) 0.523 (7.186) 0.607 (4.861) 0.617 (5.539)[-0.5，0.5]0.519（5.262）0.483（0.701）0.488（5.698）0.610（0.517）0.609（5.748）出口2[-1, 1] 0.505 (5.726) 0.473 (6.241) 0.473 (5.861) 0.603 (5.219) 0.606 (5.287)[0, 1] 0.487 (5.717) 0.475 (6.076) 0.482 (0.582) 0.601 (5.161) 0.613 (5.122)[-0.5，0.5]0.484（5.716）0.473（6.465）0.472（5.892）0.592（5.326）0.617（5.694）出口3[-1, 1] 0.552 (3.895) 0.549 (3.906) 0.549 (3.902) 0.577 (3.825) 0.580 (4.015)[0, 1] 0.464 (4.004) 0.482 (4.514) 0.482 (4.093) 0.538 (3.933) 0.556 (3.890)[-0.5，0.5]0.468（3.991）0.461（4.693）0.482（4.171）0.542（3.878）0.584（4.015）平均值±标准差0.499±0.028 0.492±0.029 0.496±0.026 0.585±0.027 0.600±0.022模型可能会因时间段和股票市场的全球化水平而异。第二，国际市场的信息仅限于交易数据。未来的工作将集中在两个方面。首先，我们计划纳入更多不同的信息来源，如基础数据和情绪指数。股票价格是由股票的供求关系决定的，这是由于各种信息输入引起的。因此，整合更多不同的数据将有助于提高股票预测的可靠性。

其次，我们计划使用可解释的机器学习技术来分析预测结果。理解和解释预测模型在金融领域至关重要。确认这项工作得到了MSIP/IITP ICT研发项目的支持【2017-0-00302，自我进化AI投资技术的开发】。参考文献1。Eun，C.和Shim，S.《股票市场运动的国际传播》。金融和定量分析杂志。24, 241–256 (1989).2、Bekaert，G.、Hodrick，R.J.和Zhang，X.《国际股票回报共同行动》。《金融杂志》。64, 2591–626 (2009).Armano，G.、Marchesi，M.和Murru，A.股票指数预测的混合遗传神经架构。信息科学，170，3–33（2005）。16多模式金融深度学习4。Kim，K.和Han，I.采用遗传算法在人工神经网络中进行特征离散化，以预测股价指数。具有应用程序的专家系统。19, 125–132 (2000).5.Wang，J.-Z.，Wang，J.-J.，Zhang，Z.-G.，和Guo，S.-P.用反向传播神经网络预测股票指数。具有应用程序的专家系统。38 (11),14346–14355 (2011).Saadaoui，F.和Rabbouch，H.一种基于小波的多尺度向量神经网络模型，用于预测经济物理系统的协同运动。具有应用程序的专家系统。41 (13), 6017–6028 (2014).Frank Z.X.、Cambria，E.和Welsch，R.E.《基于自然语言的财务预测：一项调查》。人工智能版本。50, 49–73 (2018).Atsalakis，G.S.和Valavanis，K.P.《调查股市预测技术——第二部分：软计算方法》。具有应用程序的专家系统。36 (3),5932–5941 (2009).卡瓦尔坎特、巴西里罗、索萨、V.L.F、诺布雷加、J.P.和奥利维拉，A.L.I.《计算智能和金融市场：调查和未来方向》。具有应用程序的专家系统。

55, 194–211 (2016).Bengio，Y.，Courville，A.，和Vincent，P.《表征学习：回顾与新视角》。模式分析和机器智能IEEE交易。35 (8), 1798–828 (2013).11、Fischer，T.和Krauss，C.《金融市场预测的长-短期记忆网络深度学习》。欧洲运筹学杂志。270(2), 654–669 (2018).12、Heaton，J.B.、Polson，N.G.和Witte，J.H.《金融深度学习：深度投资组合》。应用程序。随机模型总线。索引33，3–12（2017年）。Lee，S.I.和Yoo，S.J.《基于阈值的投资组合：阈值的作用及其应用》。《超级计算杂志》，1-18（2018）。https://doi.org/10.1007/s11227-018-2577-1.14.Nakagawa，K.、Uchida，T.和Aoshima，T.深层因子模型。ECML PKDD2018研讨会（2018年）。15、Nakagawa，K.、Ito，T.、Abe，M.和Izumi，K.深度回归因子模型：可解释的非线性时变多因子模型。在AAAI-19（2019）中。科克伦，J.H.总统演讲：折扣率。《金融杂志》。66(4), 1047–1108 (2011).17、Harvey，C.R.，Liu，Y.，和Zhu，H。。。以及预期收益的横截面。财务研究回顾。29 (1), 5–68 (2015).McLean，R.D.和Pontiff，J.学术研究是否破坏了股票回报的可预测性？《金融杂志》。71 (1), 5–32 (2016).侯，K.，薛，C.，和张，L.复制异常。金融研究回顾。hhy131（2018年）。https://doi.org/10.1093/rfs/hhy131.20.Feng，G.、S.Giglio和Xiu，D.《驯服因子动物园：新因子的测试》。技术报告。国家经济研究局（2019年）。Xing，F.Z.、Cambria，E.、Malandri，L.和Vercellis，C.发现Bayesian市场观点以进行智能资产配置。ECML PKDD 2018研讨会（2018）。22.Bao，W.、Yue，J.和Rao，Y。

使用堆叠式自动编码器和长-短期记忆的金融时间序列深度学习框架。《公共科学图书馆》第一期，第12（7）条（2017年）。Campbell，J.Y.和Hamao，Y.《美国和日本的可预测股票回报：长期资本市场整合研究》。《金融杂志》。47 (1),43–69 (1992).24、Karolyi，G.A.和Stulz，R.M.市场为什么会一起运动？美日股票收益联动性研究。《金融杂志》。51, 951–986 (1996).金融多模式深度学习1725。Taylor，M.P.和Tonks，I.《股票市场的国际化和英国交易所管制的强化》。修订版。《经济学统计》第71卷，第332-336页（1989年）。Jeon，B.N.和Chiang，T.世界证券交易所的股票价格体系：1975-1990年的常见随机趋势？J、 经济业务。43, 329–338 (1991).27、Kasa，K.《国际股票市场常见的随机趋势》。货币经济学杂志。29, 95–124 (1992).28、Bachman，D.、Choi，J.、Jeon，B.N.和Kopecky，K.《国际股票价格的共同因素：协整研究的证据》。内部版本。财务分析。5(1), 9–53 (1996).29、Booth，G.G.、Martikainen，T.和Tse，Y.《斯堪的纳维亚股市的价格和波动溢出效应》。J、 银行金融。21 (6), 811–823 (1997).30、Syriopoulos，T.《国际投资组合向中欧股票市场的多元化》。应用金融经济学。14, 1253–1268 (2004).31、Ngiam，J.、Khosla，A.、Kim，M.、Nam，J.、Lee，H.和Ng，A.Y.多模式深度学习。过程。第28届机器学习国际会议，689–696（2011）。Zheng，Y.跨域数据融合方法：概述。IEEE大数据交易，1（1），16–34（2015）。33、Srivastava，N.和Salakhutdinov，R.《深度玻尔兹曼机器的多模式学习》。神经信息处理系统的进展。2222–2230 (2012).34、Na，S.H。

Sohn，S.Y.利用关联规则预测韩国综合股价指数（KOSPI）的变化。具有应用程序的专家系统。38, 9046–9049(2011).Jeon，B.N.和Jang，B.S.《美国和韩国股市之间的联系：纳斯达克、KOSDAQ和半导体股票的案例》。研究国际商业和金融。18, 319–340 (2004).Lee，S.J.六个亚洲国家和美国之间的波动溢出。未发布的文件。金融监管，韩国（2006年）。37.Xu，C.、Tao，D.和Xu，C.关于多视角学习的调查。神经计算与应用。23, 2031–2038 (2013).Shutova，E.、Kiela，D.和Maillard，J.《黑洞和白兔：视觉特征的隐喻识别》。2016年计算语言学协会北美分会会议记录：人类语言技术。160–170 (2016).39、莫万特（Morvant，E.）、哈伯拉德（Habrard A.）和阿亚切（Ayache，S.）。不同分类的大多数人投票支持晚期融合。在IAPR联合举办的模式识别（SPR）和结构与句法模式识别（SSPR）统计技术国际研讨会上。Springer，153–162（2014）。40、格洛德克、M.、Tschechne、S.、Layher、G.、Schels、M.、Brosch、T.、Scherer、S.、K¨achele、M.、Schmidt、M.、Neumann、H.和Palm，G.视听情感状态分类的多重分类系统。在有效的计算和智能交互中。Springer，359–368（2011）。41、Ramirez，G.A.、Baltrusaitis，T.和Morency，L.-P.多维有效信号的潜在鉴别动力学建模。在有效的计算和智能交互中。Springer，396–406（2011）。Bergstra，J.和Bengio，Y.超参数优化算法。过程中。埋葬形态神经信息过程。系统。2546–2554 (2011).Kingma，D.P.和Adam，J.Ba。随机优化的一种方法。

在学习表征国际会议上。(2014).18多模式金融深度学习44。Tieleman，T.和Hinton，G.讲座6.5-rmsprop：将梯度除以其最近量级的运行平均值。课程：机器学习神经网络，4（2），26–31（2012）。Werbos，P.J.《超越回归：行为科学中预测和分析的新工具》。哈佛大学博士论文（1974年）。Rumelhart，D.E.、Hinton，G.E.和Williams，R.J.通过反向传播错误学习表征。自然界323 (6088), 533–536 (1986).47、Maas，A.L.、Hannun，A.Y.和Ng，A.Y.直线非线性改善了神经网络声学模型。第30届国际机器学习会议记录。28 (6), (2013).48、Glorot，X.和Bengio，Y.理解训练深层前馈神经网络的困难。在国际艺术情报与统计会议上。249–256 (2010).49、Srivastava，N.、Hinton，G.E.、Krizhevsky，A.、Sutskever，I.Salakhutdinov，R.Dropout：防止神经网络过度过滤的简单方法。J、 马赫数。学1929-1958年第15号决议（2014年）。50、Io Offe，S.和Szegedy。C、 批量规范化：通过减少内部协变量偏移来加速深层网络训练。第32届机器学习国际会议记录。

37, 448–456.多模式金融深度学习19-0.02 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14KODHTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回（a）β=-0.000, β= 0.164-0.10-0.05 0.00 0.05 0.10 0.15KODOTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回值（b）β=-0.000, β= 0.087-0.12-0.10-0.08-0.06-0.04-0.02 0.00 0.02KODLTC回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回（c）β=-0.000, β= 0.057-0.15-0.10-0.05 0.00 0.05 0.10 0.15KOOCTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回（d）β=-0.000, β= 0.002-0.08-0.06-0.04-0.02 0.00 0.02 0.04 0.06 0.08KOOOTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回（e）β=-0.000，β=0.112图。3、2006年1月1日至2017年12月31日的成对散点图（KO特征，提前一天KO返回），带有回归线和相关的95%自举置信区间。回归方程由DOTCt+1=β+βxKRt+ε给出，其中β、β和ε分别是截距、斜率和随机扰动。20多模式金融深度学习-0.02 0.00 0.02 0.04 0.06 0.08 0.10 0.12SPDHTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回值（a）β=0.002，β=-0.453-0.15-0.10-0.05 0.00 0.05 0.10 0.15SPDOTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回值（b）β=0.000，β=-0.431-0.12-0.10-0.08-0.06-0.04-0.02 0.00 0.02SPDLTC回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回值（c）β=-0.001, β= -0.332-0.15-0.10-0.05 0.00 0.05 0.10 0.15SPOCTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回值（d）β=0.000，β=0.385-0.06-0.04-0.02 0.00 0.02 0.04 SPOOTC公司回来-0.15-0.10-0.050.000.050.100.15一白天向前地击倒对手返回（e）β=0.000，β=0.302图。4.

2006年1月1日至2017年12月31日的成对散点图（SP特征，提前一天KO返回），带有回归线和相关的95%置信区间。回归方程由DOTCt+1=β+βxSPt+ε给出，其中β、β和ε分别是截距、斜率和随机扰动。多模式金融深度学习21KO/SP/NA/DJ功能SP/NA/DJ功能集成融合预测图。左图显示了仅KO/SP/NA/DJ的DNN模型，其中输入特征分别由KO/SP/NA/DJ给出。集合融合模型如右图所示，其中{yKOt+1}和{yUSt+1}分别从每个HDNN生成，并使用规则获得最终预测{yt+1}。KO和SP/NA/DJ功能KO功能SP/NA/DJ功能DNN 1 DNN 2DNN 3图。早期融合模型如左图所示，其中输入特征由KO和US特征串联而成。中间融合模型如右图所示，其中KO和US特征分别输入DNN1和DNN2。从这两个DNN中提取的特征通过DNN3进行融合，生成每日收益预测。