“学海拾珠”系列之一百三十六：基于堆叠自编码器和长短期记忆网络的金融时间序列深度学习框架-20230413-华安证券-28页_4mb

基于堆叠自编码器和长短期记忆网络的金融时间序列深度学习框架总结

核心内容

本文提出了一种基于堆叠自编码器（SAEs）和长短期记忆网络（LSTM）的深度学习框架WSAEs-LSTM，用于金融时间序列预测。该模型结合了小波变换（WT）对数据的去噪功能，SAEs用于提取深层特征，LSTM用于生成未来价格预测。

主要观点

• 深度学习在金融时间序列预测中展现出比传统方法更高的性能潜力。
• WSAEs-LSTM模型由三部分构成：小波变换、堆叠自编码器和LSTM。
• 金融时间序列具有较强的噪声和波动性，这使得其预测极具挑战性。
• 传统统计学方法对序列平稳性有较高要求，而神经网络模型具备强大的非线性拟合能力。
• 模型通过分段预测方法进行训练、验证和测试，并结合多种指标评估预测精度和盈利能力。

关键信息

模型结构

• 小波变换（WT）：用于对金融时间序列进行分解，去除噪声，采用Haar函数作为基函数，时间复杂度为 $O(n)$。
• 堆叠自编码器（SAEs）：由多个单层自编码器组成，通过无监督方式提取金融时间序列的深层抽象特征，模型深度设置为5层。
• 长短期记忆网络（LSTM）：用于处理时间序列数据，具有记忆单元，可有效解决传统RNN的梯度消失问题。

输入变量

• Panel A：日频交易数据

  • 开盘价、收盘价、最高价、最低价（OHLC）
  • 交易量

• Panel B：技术指标

  • MACD、CCI、ATR、BOLL、EMA20、MA5/MA10、MTM6/MTM12、ROC、SMI、WVAD

• Panel C：宏观经济变量

  • 汇率（美元指数）
  • 利率（SHIBOR、MIBOR、HIBOR、TIBOR、联邦基金利率）

数据来源

• WIND数据库：上海万得信息技术股份有限公司
• CSMAR数据库：深圳大通教育科技有限公司
• Investing.com：全球金融门户网站
• 样本期为2008年7月1日至2016年9月30日

实验设置

• 分段预测方法：训练期为两年，验证期为三个月，测试期为一年，共进行6次预测。

• 模型评估指标：

  • 平均绝对百分比误差（MAPE）
  • 相关系数（R）
  • 泰尔不等式系数（Theil U）

• 交易策略：

  • Buy-and-Sell 策略：基于预测值与当前值的比较进行买入或卖出决策
  • Buy-and-Hold 策略：作为基准，评估模型盈利能力

• 参数设置：

  • 隐藏层数量：5
  • 延迟期数：4
  • 学习率：0.05
  • Batch size：60
  • Epoch数：5000

实验结果

预测精度

• 发展中市场（CSI 300, Nifty 50）：

  • WSAEs-LSTM在MAPE、R和Theil U指标上均优于WLSTM、LSTM和RNN模型。
  • 其平均MAPE为0.019，平均R为0.841，平均Theil U为0.013。

• 相对发达市场（Hang Seng, Nikkei 225）：

  • WSAEs-LSTM在MAPE、R和Theil U指标上同样表现优异。
  • 平均MAPE为0.017，平均R为0.937，平均Theil U为0.011。

• 发达市场（S&P 500, DJIA）：

  • WSAEs-LSTM在所有指标上均优于其他模型。
  • 平均MAPE为0.017，平均R为0.931，平均Theil U为0.015。

盈利能力

• 交易策略：

  • 模型在多个市场中均表现出优于Buy-and-Hold策略的盈利能力。
  • WSAEs-LSTM在各市场中的收益表现显著优于WLSTM、LSTM和RNN。

• 成本设定：

  • 单边交易成本统一为0.01%（买入）和0.25%（卖出）。

结论

• WSAEs-LSTM模型在预测精度和盈利能力方面均优于其他传统模型（如WLSTM、LSTM和RNN）。
• 模型在不同市场条件下的表现具有鲁棒性，尤其在发展中市场表现更为显著。
• 本文首次尝试将堆叠自编码器用于生成OHLC、技术指标和宏观经济条件的深层特征，以提升LSTM模型的预测能力。
• 神经网络模型无需严格的先验假设，能够更灵活地处理非平稳金融时间序列。

风险提示

• 文献结论基于历史数据与海外文献，不构成任何投资建议。