徐渺,王雷春,史含笑,陳敏,劉丹妮
(湖北大學(xué)計算機與信息工程學(xué)院,湖北 武漢 430062)
股票市場是市場經(jīng)濟的關(guān)鍵組成部分,對國家經(jīng)濟的穩(wěn)定運行和健康發(fā)展具有重要的作用。隨著股票交易的廣泛普及,各種交易數(shù)據(jù)及衍生的技術(shù)指標被用于股市預(yù)測;特別是對股票價格的預(yù)測,得到了學(xué)者和投資者的廣泛關(guān)注,成為金融領(lǐng)域的一個關(guān)注焦點和研究熱點[1]。股票價格走勢是一種非線性、非穩(wěn)定的時間序列,不但有其自身規(guī)律,還受到文化、心理、政策等因素的影響,存在著明顯的非理性特征[2-3]。目前,股票價格的預(yù)測方法一般可分為三類:傳統(tǒng)方法、機器學(xué)習(xí)方法和深度學(xué)習(xí)方法。
傳統(tǒng)方法通常利用統(tǒng)計學(xué)、經(jīng)濟學(xué)等方法對股票交易的特征和技術(shù)指標進行建模以預(yù)測股票價格。典型的方法包括自回歸移動平均法[4]、差分整合移動平均自回歸法[5]、廣義自回歸條件異方差方法[6]等。股價的不平穩(wěn)、非線性[7]等特點導(dǎo)致傳統(tǒng)方法在股票價格預(yù)測方面存在著較大的不足。
機器學(xué)習(xí)方法從股票中選擇能夠表征股票關(guān)鍵信息的特征,使用支持向量機(support vector machine,SVM)[8]、多層感知器(multilayer perceptron,MLP)[9]、隨機森林(random forest)[10]和支持向量回歸(support vector regression,SVR)[11]等方法對其建模,對未來的股票價格進行預(yù)測。機器學(xué)習(xí)方法要求人工選擇和處理股票特征,工作量大,對具有時間性、非線性等特點的股票價格預(yù)測效果并不理想。
深度學(xué)習(xí)方法將循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[12]、長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)[13]和門控循環(huán)單元 (gated recurrent unit,GRU)[14]等深度學(xué)習(xí)網(wǎng)絡(luò)引入,對股票歷史交易數(shù)據(jù)進行建模,預(yù)測股票未來的價格。例如,文獻[15]將LSTM和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)融合構(gòu)成(CNN-LSTM)模型,使用CNN提取原始股票數(shù)據(jù)的深度特征,使用LSTM來挖掘股票長期時間序列特征。深度學(xué)習(xí)方法傾向于將股票交易數(shù)據(jù)作為時間序列,使用循環(huán)神經(jīng)網(wǎng)絡(luò)及變體對其進行處理,但對不同股票之間的關(guān)聯(lián)特性還缺乏有效的挖掘。
近年來,圖神經(jīng)網(wǎng)絡(luò)(graph neural network,GNN)[16-17]在交通流量預(yù)測[18-19]和電力負荷預(yù)測[20-21]等領(lǐng)域取得較好的研究效果,一些學(xué)者將GNN引入金融領(lǐng)域?qū)善眱r格進行預(yù)測。文獻[22]中的研究結(jié)果表明了股票市場預(yù)測和圖神經(jīng)網(wǎng)絡(luò)結(jié)合的有效性。文獻[23]中利用維基百科的行業(yè)關(guān)系數(shù)據(jù)對股票市場靜態(tài)建模后進行股票預(yù)測。然而,如何有效挖掘和融合不同股票之間的關(guān)聯(lián)特征和時序特征,還需要進一步的研究。
總結(jié)以上研究的局限性,主要包括三個方面:1)現(xiàn)有文獻大多從靜態(tài)角度挖掘不同股票之間的關(guān)聯(lián)關(guān)系,對股票之間的關(guān)聯(lián)關(guān)系隨時間變化而動態(tài)變化的特性缺乏足夠的考慮;2)沒有深入研究不同特征對股票之間關(guān)聯(lián)關(guān)系的不同影響;3)未能將股票之間的關(guān)聯(lián)特征和股票序列的時序特征進行有效融合。為了克服現(xiàn)有工作的局限性,本研究提出一種基于雙向門控循環(huán)單元(bidirectional gated recurrent unit, BiGRU)和殘差圖神經(jīng)網(wǎng)絡(luò)(graph attention network with residua,ResGAT)的股票價格預(yù)測模型(stock price prediction model based on BiGRU and ResGAT,BiGRU-ResGAT),主要工作如下:1)通過一種新的結(jié)合注意力機制的時間滑動窗口方法動態(tài)獲取不同股票之間的關(guān)聯(lián)關(guān)系,構(gòu)建股票圖結(jié)構(gòu);2)使用多重BiGRU[24]提取股票數(shù)據(jù)的時序特征,學(xué)習(xí)股票數(shù)據(jù)的上下文信息;3)采用帶殘差(Residual)[25]的圖注意力網(wǎng)絡(luò)GAT[26](ResGAT)對不同維度的股票特征進行融合,充分挖掘股票數(shù)據(jù)的深層語義信息,對股票價格進行預(yù)測。
股票價格預(yù)測目的是根據(jù)股票歷史數(shù)據(jù)建立模型,提取股票的強表征信息,對股票未來的價格進行預(yù)測。本文股票價格預(yù)測的思路是采用時間滑動窗口的方法,對指定窗口長度范圍內(nèi)的股票數(shù)據(jù)進行學(xué)習(xí),預(yù)測未來一個交易日的股票價格(指股票收盤價格Close)。
(1)
(2)
其中:ξ表示轉(zhuǎn)換函數(shù),功能是將股票數(shù)據(jù)轉(zhuǎn)換為股票圖結(jié)構(gòu)。
H=ψ({Dt-L+1,Dt-L+2,…,Dt})
(3)
其中:ψ表示提取函數(shù),功能是從股票序列中提取時序特征。
假定股票數(shù)據(jù)特征融合模型為φ,則股票數(shù)據(jù)的融合特征MH可通過式(4)得到:
MH=φ(A,H)
(4)
(5)
股票價格預(yù)測模型BiGRU-ResGAT是對股票數(shù)據(jù)的縱向時間特征和橫向關(guān)聯(lián)特征建模,挖掘股票數(shù)據(jù)中的關(guān)鍵信息,從而實現(xiàn)準確的股票價格預(yù)測(見圖1)。
圖1 BiGRU-ResGAT框架
如圖1所示,BiGRU-ResGAT模型主要包含四個部分:股票圖構(gòu)建層、時序特征提取層、關(guān)聯(lián)特征提取與融合層和股價預(yù)測層。其中,股票圖構(gòu)建層通過一種結(jié)合注意力機制的時間滑動窗口(time sliding window method combining attention mechanism,TSWMCAM)方法挖掘不同股票之間的關(guān)聯(lián)關(guān)系構(gòu)建股票圖結(jié)構(gòu);時序特征提取層使用由BiGRU組成的時序特征組件從股票序列中提取時序特征;關(guān)聯(lián)特征提取與融合層利用ResGAT提取關(guān)聯(lián)特征后與股票時序特征進行融合;股價預(yù)測層則使用融合后的股票特征對未來一個交易日的股票價格進行預(yù)測。
股票數(shù)據(jù)是一個不包含股票序列間關(guān)聯(lián)關(guān)系的多維時間序列,無法被圖網(wǎng)絡(luò)直接處理。因此,對股票數(shù)據(jù)進行建模,構(gòu)造股票圖結(jié)構(gòu)G=(V,E,F,A),如圖2所示。
圖2 股票圖構(gòu)建
在股票圖G中,不同股票間的關(guān)聯(lián)關(guān)系信息由特征矩陣F和鄰接矩陣A組成。股票圖的特征矩陣F∈RL×N×K,由模型選取的股票指標參數(shù)構(gòu)成,包括:6個日線行情指標,即開盤價(Open)、最高價(High)、最低價(Low)、收盤價(Close)、成交量(Volume)和成交額(Amount);4個技術(shù)指標,即5日移動平均線(MA5)、10日移動平均線(MA10)、20日移動平均線(MA20)和30日移動平均線(MA30)。
在股票市場中,股票的關(guān)聯(lián)關(guān)系可能隨著時間的推移不斷變化,且股票的不同特征對于股票之間關(guān)聯(lián)關(guān)系的重要性也不相同。因此,在文獻[27]基礎(chǔ)上,提出一種結(jié)合注意力機制的時間滑動窗口方法動態(tài)計算股票之間的關(guān)聯(lián)特性。具體步驟如下:
1)使用最小-最大規(guī)范化方法將股票在時間滑動窗口長度為L的特征矩陣F∈RL×N×K中不同數(shù)據(jù)的特征值進行歸一化,方法如式(6)所示:
(6)
其中:x′表示歸一化的數(shù)據(jù);x表示原始數(shù)據(jù);xmax和xmin分別表示該維數(shù)據(jù)的最大值和最小值。
Ci=Fi?Watt
(7)
3)計算股票i和j之間在L內(nèi)的關(guān)聯(lián)系數(shù)ρij,如式(8)所示:
(8)
4)確定股票i和j之間在L內(nèi)的關(guān)聯(lián)關(guān)系,通過鄰接矩陣A=(aij)表示,如式(9)所示。
(9)
其中:θ表示事先設(shè)定的閾值。
為了解決股票序列的時間距離依賴問題,BiGRU-ResGAT采用由BiGRU組成的時序特征層提取股票數(shù)據(jù)的時序特征。通過BiGRU門控機制控制股票的輸入與記憶等信息,能夠循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失問題,簡化長短期記憶單元的計算機制,從而提高股票預(yù)測的效率和精度(見圖1)。
由圖1可知,股票序列的時序特征由時序特征提取層的時序特征組件提取。一個時序特征組件包括若干時序特征單元,每個時序特征單元由多重BiGRU組成,負責(zé)提取一支股票的時序特征。時序特征提取單元的結(jié)構(gòu)如圖3所示。由圖3可知,一只股票的時序特征包括正向時序特征和反向時序特征,分別由正向GRU和反向GRU提取。
圖3 時序特征單元
GRU提取一個時間滑動窗口內(nèi)第i支股票序列時序特征的步驟如下:
(10)
其中:Wz和Uz分別為更新門中時序特征和上一交易日隱藏狀態(tài)的權(quán)重矩陣,bz為偏置值,σ表示Sigmoid激活函數(shù)。
(11)
其中:Wr和Ur分別為重置門對時序特征和上一交易日隱藏狀態(tài)門中的權(quán)重矩陣,br為偏置值。
(12)
其中:Wh和Uh分別為新記憶狀態(tài)計算中重置門對時序特征和上一交易日股票隱藏狀態(tài)的權(quán)重矩陣,bh為偏置值,⊙表示向量間的點乘,用于計算不同交易日股票信息的殘留情況;tanh表示激活函數(shù)。
(13)
為了充分挖掘和利用股票的不同特征,BiGRU-ResGAT在關(guān)聯(lián)特征提取與融合層采用ResGAT對股票之間的關(guān)聯(lián)特征進行深度挖掘后再與股票序列的時序特征進行融合,如圖4所示。
圖4 關(guān)聯(lián)特征提取與融合層
該層的輸入為股票圖G的鄰接矩陣A和股票序列的時序特征H∈RN×K;輸出為融合特征MH∈RN×2K。
首先,將股票圖G的鄰接矩陣A和股票序列的時序特征H使用多重ResGAT進行處理,獲得關(guān)聯(lián)特征M∈RN×K。上一重ResGAT的特征輸出為下一重ResGAT的輸入,過程如式(14)~(16)所示:
M1=ResGAT(A,H)
(14)
M2=ResGAT(A,M1)
(15)
M3=ResGAT(A,M2)
(16)
其中:Mi(i=1,2,3)表示第i重ResGAT的輸出。
然后,對關(guān)聯(lián)特征Mi(i=1,2,3)進行算術(shù)運算處理,并送入下一重ResGAT處理,過程如式(17)~(18)所示:
(17)
Mout=ResGAT(A,Mave)
(18)
其中:Mave為Mi(i=1,2,3)算術(shù)運算處理的結(jié)果;Mout為最后一重ResGAT的輸出。
以第2重ResGAT為例(輸入為M1,輸出為M2),其更新關(guān)聯(lián)特征M∈RN×K分為兩個階段。
階段1:GAT計算特征。
1)計算股票節(jié)點vi的一階鄰居股票節(jié)點vij對vi的注意力系數(shù)βij,計算方法如式(19)所示:
(19)
2)根據(jù)注意力系數(shù)βij可計算歸一化權(quán)重系數(shù)αij,計算方法如式(20)所示:
(20)
其中:LeakyReLu表示激活函數(shù),Si表示節(jié)點vi的一階鄰接節(jié)點的編號集合。
(21)
其中:Wα表示權(quán)重矩陣;ReLu表示激活函數(shù)。
階段2:殘差連接。
將階段1的輸入M1和經(jīng)過GAT后輸出進行連接得到最終ResGAT的輸出M2,其過程如式(22)所示:
M2=GAT(A,M1)+M1
(22)
將時序特征H和深度關(guān)聯(lián)特征Mout進行融合,得到融合后的特征MH,如式(23)所示:
MH=Concat(Mout,H)
(23)
其中:Concat表示特征融合函數(shù)。
(24)
其中:Wpre表示維度變換參數(shù)矩陣;FC表示全連接函數(shù)。
本研究提出的BiGRU-ResGAT模型通過TSWMCAM方法構(gòu)建股票關(guān)系圖,解決了不同股票之間的動態(tài)關(guān)聯(lián)特性問題;采用BiGRU提取股票序列過去和未來的時序特征信息,解決了股票序列的時序距離長依賴問題;同時,使用ResGAT對股票之間的關(guān)聯(lián)特征進行深度挖掘,再與股票時序特征進行融合,最后對股票未來價格進行有效的預(yù)測。BiGRU-ResGAT的算法流程如算法1所示。
算法1 BiGRU-ResGAT股票價格預(yù)測輸入:股票數(shù)據(jù)集D={D1,D2,…,DT}輸出:預(yù)測的股票價格Y^t+1FOREACHCj∈{C1,C2,…,CN}:ρij=Corr(Ci,Cj)aij←ρijENDFORFOREACHDi∈{D1,D2,…,DN}://計算時序特征h?it=Bi-GRUs({Dit-L+1,Dit-L+2,…,Dit})ENDFORFOREACHi∈{1,2,3}://計算中間關(guān)聯(lián)特征Mi=ResGAT(A,Mi-1)//M0=HENDFORMave=Ave(A,Mi)(i=1,2,3)//多層ResGAT平均值Mout=ResGAT(A,Mave)//最后一層ResGAT輸出MH=Concat(Mout,H)//特征融合Y^t+1=BiGRU-ResGAT(MH)//股票價格預(yù)測RETURNY^t+1//返回股票的預(yù)測價格
實驗數(shù)據(jù)來源于公開的財經(jīng)數(shù)據(jù)接口Tushare(https://www.tushare.pro/),選取上海證券交易所主板市場498支股票在2017年1月1日至2021年12月31日的股票交易數(shù)據(jù)作為實驗數(shù)據(jù)集(簡稱股票數(shù)據(jù)集)。在實驗中,將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集,如表1所示。
表1 股票數(shù)據(jù)集劃分
實驗?zāi)P筒捎肞ython編程語言、PyTorch深度學(xué)習(xí)框架和PyTorch Geometric圖神經(jīng)網(wǎng)絡(luò)庫(簡稱PyG)實現(xiàn)。在訓(xùn)練過程中,學(xué)習(xí)率設(shè)置為0.001,epoch 設(shè)置為200,batch size設(shè)置為32,采用Adam優(yōu)化器。時間滑動窗口長度設(shè)置為16。所有實驗均在具有16GB RAM的單個NVIDIA Quadro RTX 5000上進行。
本文中選用平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean squared error,RMSE)和決定系數(shù)(Rsquared,R2)對模型的預(yù)測性能進行評估,如式(25)~(27)所示:
(25)
(26)
(27)
3.3.1 消融實驗
為了驗證BiGRU-ResGAT的有效性,分別對關(guān)鍵模塊和關(guān)系系數(shù)計算方法進行消融實驗。
1)模塊消融
首先,時序特征層的提取模型LSTM和關(guān)聯(lián)特征提取與融合層的提取模型GCN作為基線模型(LSTM-GCN)。然后,在基線模型的基礎(chǔ)上進行改進得到3組消融實驗:將時序特征提取層的LSTM模型改進為BiGRU模型(BiGRU-GCN)、將關(guān)聯(lián)特征提取與融合層的關(guān)聯(lián)關(guān)系提取模型GCN改進為GAT(LSTM-GAT),同時將LSTM與GCN模型替換為BiGRU與GAT (BiGRU-GAT)。最后,再將ResNet網(wǎng)絡(luò)結(jié)構(gòu)引入得到4組不同的消融實驗:LSTM-ResGCN、BiGRU-ResGCN、LSTM-ResGAT和BiGRU-ResGAT。實驗結(jié)果如表2所示。
表2 模塊消融實驗結(jié)果對比
由表2可知,在所有的模型中,LSTM結(jié)合圖卷積網(wǎng)絡(luò)模型的效果最差;將圖卷積網(wǎng)絡(luò)改進為圖注意力網(wǎng)絡(luò)后,模型預(yù)測效果明顯提升,這說明股票間的影響程度是不同的。在加深模型網(wǎng)絡(luò)結(jié)構(gòu)的同時引入殘差網(wǎng)絡(luò),深層提取股票關(guān)聯(lián)特征信息,在預(yù)測效果上也取得了較好的表現(xiàn)。將LSTM改進為BiGRU,通過雙向提取股票歷史特征信息,再融合殘差圖注意力網(wǎng)絡(luò)得到最終的BiGRU-ResGAT模型,在預(yù)測效果上均優(yōu)于其他融合模型。
2)關(guān)聯(lián)系數(shù)計算方法對比
為了驗證模型中TSWMCAM在構(gòu)建股票圖時的有效性,實驗將其和全連接(FCs)、皮爾遜系數(shù)(Pearson)、行業(yè)關(guān)系(Industry)和無滑動窗口的注意力關(guān)聯(lián)系數(shù)(ACCM)等方法構(gòu)建鄰接矩陣的效果進行對比實驗(見表3)。
表3 不同方法生成鄰接矩陣對比
由表3可知,全連接方法將所有股票進行連接,引入了大量的“噪音股票”,預(yù)測誤差大,導(dǎo)致模型預(yù)測性能大幅下降;皮爾遜關(guān)聯(lián)系數(shù)方法在構(gòu)建鄰接矩陣時僅考慮股票收盤價格,影響了模型預(yù)測效果;行業(yè)關(guān)系方法靜態(tài)構(gòu)圖并未考慮股票特征信息,效果欠佳;采用基于注意力機制的關(guān)聯(lián)系數(shù)方法利用了股票特征信息,但未考慮股票的動態(tài)關(guān)聯(lián)特性;TSWMCAM方法綜合考慮了股票所有的特征信息和動態(tài)關(guān)聯(lián)特性的,股票預(yù)測效果優(yōu)良。
3.3.2 模型參數(shù)實驗
實驗通過控制變量法,對比不同閾值θ、BiGRU層數(shù)和ResGAT層數(shù)時BiGRU-ResGAT的MAE、RMSE和R2的變化情況。
1)閾值對比分析
計算鄰接矩陣aij的閾值θ是決定股票間是否有關(guān)聯(lián)邊的重要參數(shù),對股票圖構(gòu)建起著非常關(guān)鍵的作用。閾值θ太低會引入過多的噪音股票,過高不能反映股票間真實的關(guān)聯(lián)關(guān)系,都會導(dǎo)致BiGRU-ResGAT的預(yù)測誤差變大。由表4可知,當(dāng)閾值θ范圍為0.66~0.70時誤差最低。
表4 不同閾值取值性能對比
2)BiGRU層數(shù)對比分析
模型中的BiGRU能夠提取股票的時序特征,挖掘上下文股票的特征信息,但過深的BiGRU層數(shù)在訓(xùn)練中會出現(xiàn)梯度消失、局部收斂等情況。由表5可知,當(dāng)層數(shù)為2時BiGRU-ResGAT的性能相對較好。
表5 不同BiGRU層數(shù)性能對比
3)ResGAT層數(shù)對比分析
ResGAT能夠聚合股票間關(guān)聯(lián)節(jié)點的特征信息。較少的ResGAT層數(shù)只能提取淺層的股票關(guān)聯(lián)特征信息;層數(shù)增多可以提取更深層的特征信息,但會導(dǎo)致計算時間過長和過平滑等現(xiàn)象。由表6可知,當(dāng)ResGAT層數(shù)為3時BiGRU-ResGAT的誤差相對較低。
表6 不同ResGAT層數(shù)性能對比
因此,BiGRU-ResGAT最終確定閾值θ為0.68,BiGRU層數(shù)為2,ResGAT層數(shù)為3。
3.3.3 模型性能實驗
1)不同模型性能對比
為了驗證BiGRU-ResGAT的性能,實驗對測試集的498支股票價格進行了預(yù)測,選擇基準模型SVM[8]、GRU[14]、CNN-LSTM[15]和RSR[23]在MAE、RMSE和R2指標上進行對比。實驗結(jié)果如表7所示。
表7 不同模型性能對比
由表7可知,SVM的MAE、RMSE比其他模型(均為深度學(xué)習(xí)模型)高,R2系數(shù)比其他模型低;在深度學(xué)習(xí)模型中,GRU的MAE、RMSE比其他模型高,R2系數(shù)比其他模型低;BiGRU-ResGAT的MAE、RMSE比最低,R2系數(shù)最高。
實驗結(jié)果表明:深度學(xué)習(xí)模型比機器學(xué)習(xí)模型具有更好的非線性學(xué)習(xí)能力;通過行業(yè)關(guān)系構(gòu)圖的RSR模型,以靜態(tài)角度挖掘股票之間關(guān)系,在股票價格預(yù)測的效果上也相對較優(yōu);BiGRU-ResGAT通過BiGRU和殘差圖注意力網(wǎng)絡(luò)能夠更好地挖掘和融合股票數(shù)據(jù)的時序特征、關(guān)聯(lián)特征,極大地降低股票價格預(yù)測的誤差。
2)模擬投資組合
為了進一步評價模型的性能,本文中通過股票的累計收益率來評判不同模型的預(yù)測能力。累計收益率的計算方法如式(28)所示:
(28)
其中:profitt0表示初始交易日t0的總資產(chǎn),profitt表示交易日t的總資產(chǎn),Rt表示交易日t的累計收益率。
圖5 股票投資收益曲線
由圖5可知,不同模型在幾只股票上的累計收益率都隨著股票價格的波動而波動。在模擬交易期間,SVM和GRU在幾支股票的累計收益率表現(xiàn)相似,處于圖形的下方;與SVM相比,GRU在幾支股票的最終收益率要高一些。CNN-LSTM、RSR和BiGRU-ResGAT在整個交易期間的累計收益率表現(xiàn)更好,最終收益率更高;但BiGRU-ResGAT在幾支股票的累計收益率表現(xiàn)最好,最終累計收益率也最高(特別是600761.SH股票)。
圖6顯示了各模型在整個股票數(shù)據(jù)集上的的最終投資收益率。由圖6可知,SVM的最終收益率最低,BiGRU-ResGAT的最終收益率最高。BiGRU-ResGAT的最終收益率分別比SVM、GRU、CNN-LSTM和RSR高出10.77、7.89、6.81、5.03個百分點。
圖6 投資總收益結(jié)果
BiGRU-ResGAT比其他模型具有更好投資收益率的原因是BiGRU-ResGAT能夠有效地提取和融合股票數(shù)據(jù)的時序特征和關(guān)聯(lián)特征,準確地預(yù)測股票上漲和下跌時間,從而買入或賣出股票,給股民帶來較好的投資收益率,降低投資風(fēng)險;其他模型不能很好地提取和挖掘股票數(shù)據(jù)的關(guān)鍵特征,在股票價格預(yù)測上存在較大的誤差,導(dǎo)致投資收益率下降。
本研究提出了基于BiGRU和ResGAT的股票價格預(yù)測模型BiGRU-ResGAT,該模型通過TSWMCAM動態(tài)獲取股票之間的關(guān)聯(lián)特征并構(gòu)建股票圖結(jié)構(gòu),使用BiGRU提取股票序列的時序特征,然后利用ResGAT對股票之間的關(guān)聯(lián)特征和股票序列的時序特征進行深度挖掘和融合,對未來一個交易日的股票價格進行預(yù)測。實驗結(jié)果表明,BiGRU-ResGAT能夠同時挖掘和融合股票序列的時序特征和股票之間的關(guān)聯(lián)特征,解決股票價格預(yù)測的橫向特征關(guān)聯(lián)問題和縱向時間依賴問題,對股票價格進行有效的預(yù)測。在今后的工作中,將繼續(xù)優(yōu)化BiGRU-ResGAT以提高模型的預(yù)測結(jié)果,并進一步探討所提模型在基金、債券及其他領(lǐng)域的預(yù)測性能。