基于LSTM的股价趋势预测多因子融合框架.docxVIP

基于LSTM的股价趋势预测多因子融合框架

一、引言

股价趋势预测是量化投资领域的核心研究方向之一，精准的趋势判断能够帮助投资者制定合理的交易策略，降低市场风险，提升投资收益。然而，股价波动受宏观经济环境、公司经营状况、投资者情绪等多种复杂因素共同影响，呈现出非线性、非平稳、时序依赖强的特性，这给传统预测方法带来了巨大挑战（李涛等，2018）。传统的线性回归模型如CAPM、ARIMA时序模型等，因无法有效捕捉股价的非线性关系与长期时序依赖，预测精度往往难以满足实际需求；而单一的机器学习模型如随机森林、支持向量机等，虽能处理非线性问题，却忽略了股价的时间序列特性，难以准确把握趋势的动态变化。

长短期记忆网络（LSTM）作为循环神经网络的变体，通过独特的门控机制解决了梯度消失问题，能够有效捕捉时序数据中的长期依赖关系，在股价预测领域展现出显著优势（HochreiterSchmidhuber，1997）。但单一LSTM模型仅依赖股价自身的历史时序数据，忽略了外部因子对股价的驱动作用，在市场环境突变时容易出现预测偏差。与此同时，多因子模型理论指出，股价是多种因子共同作用的结果，通过筛选核心因子构建预测模型，能够更全面地反映市场规律（FamaFrench，1993）。然而传统多因子模型多采用线性回归方式，无法捕捉因子与股价之间的动态非线性关联。基于此，本文提出一种基于LSTM的股价趋势