融合通道与多头注意力的股价趋势预测模型

来源：计算机工程与应用杂志2025年第8期北京时间：

作者：周佳妮, 刘春雨, 刘家鹏

单位：1.中国计量大学 经济与管理学院，杭州 310018；2.浙江万里学院 商学院，浙江 宁波 315100

摘要：目前的传统模型如支持向量机（SVM）、循环神经网络（RNN）、长短期记忆网络（LSTM）等，在处理非线性、多尺度、高噪声的股票时间序列数据方面存在局限，往往无法有效提升股价趋势预测的准确性。针对这一问题，创新性地提出了一种基于通道注意力和多头注意力的深度学习预测模型（SDAE-CNN-BiLSTM-CM）。该模型融合了降噪自编码器和CNN-BiLSTM模型，能够对高噪声的股票数据有效建模，同时引入了通道注意力机制（CAM）和多头注意力机制（MSA），以更好地捕获时间序列的短期和长期依赖关系，最后通过联合优化层实现分层聚合时序信息，以适应金融时间序列时变性强的特点。实证结果表明，相较于传统模型，所提出的模型在提高股价趋势预测准确性上具有优势，且基于该模型的交易策略在回测表现中也获得了较高的收益与较低的风险。

关键词：股价趋势预测,深度学习,注意力机制,双向长短期记忆网络