链接:https://pan.baidu.com/s/1Lv-g13014iS_XQvVObgL3w
提取码:9vx7
使用对抗训练改进股票走势预测
Improving Stock Movement Prediction with Adversarial Training
论文为股票走势预测提供了一种新的机器学习解决方案,旨在预测短期内的股价,无论股价是上涨还是下跌。关键的创新之处在于,采用对抗训练来提高循环神经网络模型的泛化能力。本文添加对抗性训练的合理性在于,股票预测的输入特征通常基于股票价格,而股票价格本质上是一个随机变量、随时间连续变化的。因此,使用固定的基于股票价格的特征(例如收盘价)的进行的常规训练很容易过度拟合数据,不足以获得可靠的模型。为了解决这个问题,文章增加扰动来模拟连续价格变量的随机性,进而训练模型在小而有意的扰动下还能很好地工作。在两个真实股票数据上的大量实验表明,此方法优于最先进的解决方案(Xu and Cohen 2018),平均相对准确率提高了3.11%,验证了对抗训练在股票预测任务中的有效性。