论文解读：Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation

1）Stock2Vec Embedding的框架：

• Feature:

Augmented features: MACD, PSAR, BB, SO, ROC, OBV, FI

Database “FinSentS Web News Sentiment”: 股票的每日新闻文章数量,及衡量媒体中使用文本的情感评分 🔗：(https://www.quandl.com/databases/NS1/)

Seasonality features: month of year, day of month, day of week, etc.

Static features: Static covariates (e.g., the symbol name, sector and industry category, etc.)

• 将feature分为 categorical input 和 continuous input:

categorical input：通过嵌入映射为稠密的数值向量，从股票名称中嵌入的向量作为类别特征被称为Stock2Vec

continuous input：归一化到 0-1

• Feature benchmarking：用 XBGBoost 选出得分前 20 的 feature
• 

2） The Hybrid Model：

整体预测模型是混合构建的，结合了Stock2Vec embedding方法和TCN。TCN模块输出并没有产生最终大小为1的预测，而是输出一个向量作为特征图，其中包含了从时间序列中提取的信息，可以将其与已学习的Stock2Vec特征进行拼接。

这里的TCN模块可以被任何学习时序模式的架构所取代，如，LSTM，GRU。最后，将一系列全连接层(称为"头层")应用于组合特征，产生最终的预测输出。

3） Experiment：

• Benchmark model：共7个

仅基于时间序列：TS-TCN and TS-LSTM

仅基于静态特征：random forest and XGBoost

Stock2Vec

混合模型：LSTM-Stock2Vec and TCN-Stock2Vec

• 评价指标：RMSE, MAE, MAPE, RMSPE