深度学习前沿 | 利用GAN预测股价走势

本文是对于medium上Boris博主的一篇文章的学习笔记，这篇文章中利用了生成对抗性网络（GAN）预测股票价格的变动，其中长短期记忆网络LSTM是生成器，卷积神经网络CNN是鉴别器，使用贝叶斯优化（以及高斯过程）和深度强化学习（DRL）优化模型中超参数。此外，文章中非常完整地实现了从特征抽取、模型建立、参数优化、实现预测的过程，其中运用了多种机器学习方法，比如BERT进行文本情绪分析、傅里叶变换提取总体趋势、autoencoder识别高级特征、XGboost实现特征重要性排序等。本文学习的思路是：GAN算法概览 – 项目思路 – 项目详解。拟在学习完成后，在BigQuant平台上尝试实现GAN算法预测股价走势。

1 GAN算法概览

GAN(Generative Adversarial Networks)生成式对抗网络，顾名思义，是通过对抗的方式学习数据分布的生成式模型。所谓对抗，指的是生成网络和判别网络的互相对抗。生成网络尽可能生成逼真的样本，判别网络尽可能去分析该样本是真实的还是生成的。GAN的目的是通过这种对抗博弈得到效果良好的生成式网络，从而应用于图像生成、语音生成、视频生成等，如近期很火的“AI换头”就可能运用了GAN生成可接受的“另一副面孔”。GAN的具体示意如下：

$Z$为隐变量，是随机噪声通常服从高斯分布。$Z$通过生成器generator生成$X_{f}ake$，判别器discriminator分辨输入的数据是生成样本$X_{fake}$还是真实样本$X^{}$