海外文献速览系列之十六：高频数据下基于文本挖掘和深度学习的股票波动性预测-20220309-东兴证券-22页_1mb

高频数据下基于文本挖掘和深度学习的股票波动性预测总结

核心内容

本文探讨了在高频数据环境下，如何利用文本挖掘和深度学习技术，特别是LSTM模型，来预测股票波动率。作者认为，深度学习模型的非线性关系拟合能力和强大的数据特征学习能力，为提高波动率预测的准确性提供了新的思路。

主要观点

• 波动率预测的重要性：波动率是衡量资产风险和衍生品定价的重要指标，对金融资产的风险分析具有重要的理论和实用价值。
• 传统模型的局限性：传统计量经济学模型（如GARCH、HAR-RV、ARFIMA）虽然在波动率预测中有所应用，但它们主要依赖历史波动率数据，忽视了交易信息和公众意见等非线性因素。
• 深度学习模型的优势：LSTM模型因其对长时记忆的捕捉能力，在金融时间序列分析中表现优异。加入文本情绪因子后，LSTM模型在多个评估标准下均优于未考虑情绪因子的传统模型。
• 情绪因子的构建：作者从东方财富股票评论中提取文本信息，构建了一个包含正面、负面和中性情绪的文本情绪因子，并结合评论的阅读次数进行加权，以更准确地反映市场情绪。
• 模型效果分析：在六种评估标准下，加入情绪因子的LSTM模型预测准确率显著提高，分别在MSE、RMSE、MAE、MSLE、$R^2$和RMSPE下提高了9.3%、4.7%、6.2%、9.2%、7.9%和16.9%。此外，LSTM模型在多步预测中表现更为稳健。
• 窗口长度选择：作者发现，当时间窗口为20天时，模型的预测效果最佳，能够平衡数据量和模型训练效率。

关键信息

预测指标体系

1. 交易量信息
2. 价格变化率
3. 偏差
4. CDP（逆市运行指标）
5. DMA（平行线差指标）
6. 隔夜信息
7. 高频交易量波动率
8. 市场情绪指标（如AR、BR）
9. 换手率
10. 每日实际波动率（RV）

评估标准

• 均方误差（MSE）
• 均方根误差（RMSE）
• 平均绝对误差（MAE）
• 均方对数误差（MSLE）
• 决定系数（$R^2$）
• 根均方平方预测误差（RMSPE）

LSTM模型结构

• LSTM是一种特殊的循环神经网络（RNN），解决了梯度消失和爆炸的问题。
• 模型包含三个“门”：遗忘门、记忆门和输出门。
• 模型使用两层结构，结合全连接层，并通过调整超参数优化预测效果。

实证数据

• 数据来源：中国股市的漫步者（002351）股票评论和Wind数据库。
• 时间范围：2010年2月8日至2020年5月28日，共2741个交易日。
• 高频数据：每5分钟的交易数据，共118,608条。

模型效果比较

• LSTM模型在单步和多步预测中表现优于传统模型。
• 加入情绪因子的LSTM模型（LSTM+M）在所有评估标准下均优于无情绪因子的LSTM模型。
• LSTM模型在预测极端波动时表现出更强的适应能力。

研究方法

1. 数据收集与处理：通过Python爬虫获取股票评论，构建情绪因子，并进行数据标准化处理。
2. 模型构建：基于LSTM模型，结合高频数据和文本情绪因子进行波动率预测。
3. 模型评估：使用六种损失函数对不同模型进行评估，并比较其预测准确性和稳定性。
4. 参数选择：通过调整时间窗口长度、网络结构和超参数，优化模型性能。

风险提示

• 本报告内容来源于相关文献，不构成投资建议。
• 模型基于历史数据回测，当市场环境变化时，可能存在失效风险。
• 投资者需自行判断，承担投资风险。

研究点评

• 本文为波动率预测提供了一个新的思路，结合文本挖掘和深度学习技术，提高了预测的准确性和稳健性。
• 情绪因子的引入显著提升了模型表现，验证了公众意见对波动率预测的重要影响。
• LSTM模型在高频数据下表现良好，尤其是在多步预测中，具有更强的适应性和稳定性。

参考文献

• Bolin Lei, Zhengdi Liu, and Yuping Song. "On stock volatility forecasting based on text mining and deep learning under high-frequency data." Journal of Forecasting (2021).

分析师与研究助理

• 高智威：东兴证券金融工程首席分析师，具有丰富的金融工程研究经验。
• 贺争盛：东兴证券金融工程研究员，拥有5年以上数据分析和量化研究经验。

免责声明

• 本报告内容基于公开信息，不构成投资建议。
• 报告中的观点、结论和建议仅供参考，不保证其准确性和完整性。
• 报告版权归属东兴证券股份有限公司所有，未经书面许可，不得翻版、复制和发布。