基于CNN的股票预测方法【卷积神经网络】

基于机器学习方法的股票预测系列文章目录

一、基于强化学习DQN的股票预测【股票交易】
二、基于CNN的股票预测方法【卷积神经网络】

---

---

本文探讨了利用卷积神经网络（CNN）进行股票预测的建模方法，并详细介绍了模型的搭建、参数选择以及数据处理方法。尽管序列建模通常与递归神经网络（如LSTM和GRU）相关，但本文展示了如何使用CNN进行时间序列数据的预测，完整代码放在GitHub上——Stock-Prediction-Using-Machine-Learing.

一、CNN建模原理

深度学习背景下的序列建模主题主要与递归神经网络架构(如LSTM和GRU)有关，但事实上CNN也可以用于对序列数据的建模。与处理图像所用的二维卷积不同，处理时间序列可以使用一维卷积，用多个以前的数据序列预测下一时刻。如下图所示，Input_length是指定用几个以前的数据来预测下一天的股票价格，用一个一个卷积核来滑动提取特征，最后通过一个线性层得到输出的预测值，具体网络搭建见下一小节。

其中两个关键的参数是：

1. Input_length: 用几个以前的数据作为输入，来预测下一时刻。（在后文称为Window_size)
2. Kernel_size: 卷积核大小。

事实上也可以用二维的卷积和来建模，比如输入可以是多只股票，用二维卷积核对多只股票同时建模预测，或者将一只股票的多个特征同时建模预测，本文仅探究用股票的收盘价来预测未来的股票收盘价格，没有利用股票数据的其他技术指标。

二、模型搭建

基于Pytorch深度学习框架，搭建的CNN网络如下所示：

kernel_size=2   #一维卷积核大小

class CNNmodel(nn.Module):
    def __init__(self):
        super(CNNmodel, self).__init__()
        self.conv1 = nn.Conv1d(1, 64, kernel_size=kernel_size)   #1xkersize的卷积核 
        #self.conv2 = nn.Conv1d(64,128,1)
        self.relu = nn.ReLU(inplace=True)
        self.Linear1 = nn.Linear(64*(window_size-kernel_size+1), 10)
        self.Linear2 = nn.Linear(10, 1)
        
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = x.view(-1)
        x = self.Linear1(x)
        x = self.relu(x)
        x = self.Linear2(x)
        return x

model = CNNmodel()
print(model)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

选用relu函数作为激励函数，因为股票都是正数，而relu函数的性质，可以很好的避免模型输出值为负值。

三、模型参数的选择

（1）探究window_size的影响

调节CNN模型中window_size参数，并比较不同window_size下训练集与测试集的相对误差率，结果如下表所示：

分析上表知：

1. 不同window_size对结果有一定影响
2. window_size比较大时，误差很大
3. 在10左右，效果比较好，最终我们选择 window_size=6

（2）探究kernel_size的影响

调节CNN模型中kernel_size参数，并比较不同kernel_size下训练集与测试集的相对误差率，结果如下表所示（window_size=6）：

分析上表数据知较小的kernel_size能使相对误差率更小，最终我们选择kernel_size=2。

（3）探究探究模型结构的影响

调节CNN模型中模型结构，并比较不同模型结构下的平均误差和平均相对误差率，结果如下表所示：

由上表知，模型对学习率十分敏感；模型结构过于复杂，不容易学习，且容易过拟合。

（4） 模型拟合效果

通过以上探究得到的模型结构以及参数，以AAPL股票为例，采用原始数据进行训练，其预测结果如下图所示：

由上图知，以原始数据进行训练有不错的拟合效果，但滞后比较明显，神经网络会“偷懒”，这是因为数据序列中产生了变化趋势，而基于滑动时间窗口策略的对发生变化趋势的数据感知是滞后的。

对测试集进行预测：

四、数据处理

（1）数据变换

为了解决预测过程中出现的“滞后”问题，常常对原始数据进行一定的处理。常见的数据处理方法有：

1. 数据归一化
2. 不直接给出希望模型预测的未经处理的真实值，对输入样本进行非线性化的处理如，如：平方、开根号、ln等
3. 差分，预测时间t和t-1处值的差异，而不是直接预测t时刻的值

如以AAPL股票数据为例，对其收盘价取其平方的对数进行训练，最终的预测效果如下图所示：

与上一小节的图对比知，“滞后”现象得到显著的减弱，模型的可信度更好。

（2）Kalman滤波

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。

Kalman滤波原理及数理处理过程如下：

1. 给定初始估计值、系统输入、初始协方差矩阵和误差的方差 $Q$, 首先要计算预测值、预测值和真实值之间误差协方差矩阵:

X ^ k ′ = A X ^ k − 1 + B u k − 1 P k ′ = A P k − 1 A T + Q

$$\begin{aligned} &\hat{X}_{k}^{\prime}=A \hat{X}_{k-1}+B u_{k-1} \\ &P_{k}^{\prime}=A P_{k-1} A^{T}+Q \end{aligned}$$ ​X^k′​=AX^k−1​+Buk−1​Pk′​=APk−1​AT+Q​

2. 然后根据 $P_k^{\prime }$ 计算卡尔曼增益 $K_k$ :

$$K_k=P_k^{\prime }{H}^T{\left(H{P}_k^{\prime }{H}^T+R\right)}^{-1}$$

3. 然后根据卡尔曼增益 $K_k$ 和 ${\hat{X}}_k{}^{\prime }$ 以及测量值 $Z_k$, 调和平均得到估计值:

$${\hat{X}}_k={\hat{X}}_k^{\prime }+K_k\left(Z_k-H{\hat{X}}_k^{\prime }\right)$$

4. 最后还要计算估计值和真实值之间的误差协方差矩阵, 为下次递推做准备:

$$P_k=\left(I-K_{k}H\right)P_k^{\prime }$$

以AAPL股票数据为例，对其收盘价进行kalman滤波后，以CNN模型进行训练，结果如下图所示：

与图3对比可知，图3中平均误差为0.11，相对误差率为2.30%，采用kalman滤波后，平均误差为0.08，相对误差率为1.71%，效果变好。

通过前面2种不同数据处理方法对不同模型效果的影响，我们可以看到，不同数据处理方法对不同模型的影响不一样，但总的来说对数据进行相应的处理后，能够提升模型的性能。而通过实验我们发现Kalman滤波进行数据处理后，模型效果有显著的提升。

五、参考资料

1. 王宇轩.基于卷积神经网络的股票预测[D].天津工业大学,2019.