基于Transformer模型的股票价格预测研究.pdf

摘要

通过科学的方法对股票价格进行预测，对投资者个人和金融机构来说具有重要

的意义。但现有的股票预测模型多数仅研究时间点数据，这导致其：存在长序列学

习能力差、不具备学习前后时间步联系的能力、股票数据重复训练的问题。为此，

本文重点对股票数据特征表示方法、股票价格预测模型结构设计展开研究。

为解决上述问题，本文基于Transformer模型，结合傅里叶频率注意力和短期

因果趋势分解设计得到Stockformer模型，选用旅游行业的股票价格数据作为研究

1.

对象，进行了以下三点工作：选取基于同行业股票数据的特征因子，使用被预测

股票的同行业其他上市公司股票价格作为特征因子，利用行业信息加强对个股的预

测；2.使用基于傅里叶的注意力机制（FourierAttention）替换Transformer模型中

的注意力机制（Attention），在保留大部分原数据信息情况下，实现解决模型计算

3.

复杂度过高和股票价格数据存在严重噪声的问题；设计短期因果趋势分解模块，

贴合股票价格特点着重关注了短期趋势。

实验结果表明：Stockformer模型的预测精度显著优于其他股票价格预测模型，

均方根误差和平均绝对误差降低显著，预测值更接近真实值。回测实验验证了

Stockformer模型在实际交易中的有效性，在设定交易区间内，对比的基准指数为

沪深300，在每个交易日进行单次低频交易，达到了18.67%的年化收益率，夏普

比率达到1.34，比交易期间持仓-17.4%的收益率高出36.1个百分点。

关键词：股票价格预测；时间序列；Transformer；傅里叶变换；趋势分解

I

Abstract

Itisofgreatsignificanceforindividualinvestorsandfinancialinstitutionsto

predictthestockpricethroughscientificmethods.However,mostoftheexisting

stockpredictionmodelsonlystudytimepointdata,whichleadstothefollowing

problems:poorlearningabilityoflongseries,lackofabilitytolearntimestep

connectionbeforeandafterlearning,andrepeatedtrainingofstockdata.Therefore,

thisthesisfocusesontheresearchofstockdatafeaturerepresentationmethodand

stockpricepredictionmodelstructuredesign.

Tosolvetheaboveproblems,theStockformermodelisdesignedbasedonthe

Transformermodel,combinedwithFourierfrequencyattentionandshort-term

causaltrenddecomposition.Thestockpricedataofthetourismindustryisselected

astheresearchobject,andthefollowingthreetasksarecarriedout:1.Selectthe

characteristicfactorsbasedonthestockdataofthesameindustry,usethestock

pricesofotherlistedcompaniesinthesameindustryofthepredictedstocksast