深度学习在股票价格预测中的应用局限.docxVIP

深度学习在股票价格预测中的应用局限

一、引言

随着人工智能技术的快速迭代，深度学习凭借其强大的高阶非线性关系拟合能力，逐步被引入金融投资领域，其中股票价格预测是深度学习应用最受关注的场景之一。从早期的多层感知机模型，到后来适用于时序数据的长短期记忆网络，再到近两年基于注意力机制的时序模型、多模态大模型，大量学术研究宣称深度学习能够突破传统计量模型的线性假设限制，实现远超传统方法的股价预测精度，甚至有观点认为深度学习可以彻底破解股价波动的内在规律，帮助投资者获得长期稳定的超额收益。但从产业落地的实际情况来看，无论是海外对冲基金还是国内量化机构，纯深度学习策略的实盘表现远没有学术研究中展示的那么亮眼：很多在历史回测中能实现高收益的模型，一旦上线实盘就会快速失效，甚至在市场风格切换时出现超出预期的大幅回撤。据金融科技领域的文献统计，过去十余年间全球范围内关于深度学习应用于股价预测的学术论文超过万篇，其中宣称模型价格方向预测准确率超过六成的研究占比近八成，但同期全球对冲基金行业中，纯深度学习策略的平均年化超额收益仅比传统量化策略高出一个百分点左右，远低于学术研究展现的预期水平（哈维等，2022）。

这种研究与实践的巨大落差提示我们，深度学习在股价预测场景中的应用存在很多被现有研究忽略的深层局限，这些局限不是靠简单调整参数、扩大模型规模、增加训练数据就能解决的，而是涉及数据基础、模型逻辑、市