融合因果注意力Transformer模型的股价预测研究

来源：计算机工程与应用杂志2023年第13期北京时间：

作者：任佳屹, 王爱银

单位：新疆财经大学 统计与数据科学学院，乌鲁木齐 830012

摘要：股票价格预测是金融研究和量化投资共同关注的重点话题，近年来利用深度学习技术揭示股票市场的行情规律成为研究热点。现有股票价格预测深度学习模型多数仅研究时间点数据，这种结构上的缺陷导致其不能反映出特征因子的累积作用对股价的影响。针对此，通过重新设计模型处理时间序列数据，提出一种基于Transformer的股票价格预测模型Stockformer。它通过因果自注意力机制挖掘股票价格与特征因子之间的时序依赖关系，采用趋势增强模块为模型提供序列的趋势特征，同时利用编码器的特定输入为预测提供输入特征的直接先验信息。实验结果表明，Stockformer的预测精度显著优于已有深度学习模型，且相较经典Transformer预测模型的平均绝对误差和均方根误差分别降低了23.2%和25.7%，预测值与真实值更为拟合；通过消融实验分别评估了Stockformer的因果注意力机制、时序特征提取手段以及特定的模型输入的效果及必要性，验证了所提模型的优越性及普适性。

关键词：股票价格预测,时间序列,深度学习,Transformer,注意力机制