融合增量学习与Transformer模型的股价预测研究

来源：计算机科学与探索杂志2024年第7期北京时间：

作者：陈东洋, 毛力

单位：江南大学 人工智能与计算机学院 江苏省模式识别与计算智能工程实验室，江苏 无锡 214122

摘要：股票价格预测一直是金融研究和量化投资共同关注的重点话题。当前股价预测的深度学习模型多数基于批处理学习设置，这要求训练数据集是先验的，这些模型面对实时的数据流预测是不可扩展的，当数据分布动态变化时模型的预测效果将会下降。针对现有研究对非平稳股票价格数据预测精度不佳的问题，提出一种基于增量学习和持续注意力机制的在线股价预测模型（Increformer），通过持续自注意力机制挖掘特征变量之间的时序依赖关系，采用持续归一化机制处理数据非平稳问题，基于弹性权重巩固的增量训练策略获取数据流中的新知识，提高预测精度。在股票市场的股指与个股价格序列中选取五个公开数据集进行实验。实验结果表明，Increformer模型能够有效挖掘数据的时序信息以及特征维度的关联信息从而提高股票价格的预测性能。通过消融实验评估了Increformer模型的持续归一化机制、持续注意力机制以及增量训练策略的效果及必要性，验证了所提模型的准确性与普适性，Increformer模型能够有效捕捉股票价格序列的趋势与波动。

关键词：时间序列预测,Transformer模型,增量学习,持续注意力机制