剑桥大学最新成果 ：基于CVAE及提前信息的股票交易量预测模型

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
       本文提出了一种基于条件变分自编码器（CVAE）的新方法，用于预测股票交易量时间序列，特别是利用提前信息如指数再平衡日期来提高预测精度。通过实证分析，CVAE在捕捉非线性模式和提供情景分析方面优于传统线性模型，为金融时间序列预测提供了新的视角和工具，而不在执着于预测收益率。

1. 引言 (Introduction)

• 预测动机：论文首先介绍了日常股票交易量预测的重要性，尤其是在金融领域。作者指出，传统的线性模型可能不足以捕捉市场的非线性特征，因此提出使用条件变分自编码器（CVAE）来改进预测。
• 提前信息的作用：作者解释了提前信息的概念，即在进行预测时，除了历史数据外，还可以利用未来已知的信息，如股票指数的再平衡日期。这种信息有助于提高预测的准确性。
• 长期与短期预测：论文区分了长期预测和短期预测任务。长期预测关注的是较远未来的交易量，而非平稳时间序列的长期预测可能不会收敛到一个常数，这与线性时间序列分析有所不同。短期预测则关注近期的未来，例如一周内的交易量。
• 文献回顾：作者回顾了使用神经网络进行时间序列预测的相关研究，包括时间序列生成对抗网络和双向变分自编码器。同时，也提到了在贝叶斯时间序列模型中利用提前信息的概念。
• 研究贡献：论文明确了三个主要贡献：
  1. 识别并建模了带有提前信息的预测问题，并通过CVAE架构进行非线性交互建模。
  2. 展示了CVAE在事件驱动解释和情景生成方面的能力，这有助于更好地理解模型。
  3. 对EURO STOXX 50指数成分股的日常交易量进行了实证研究，