覃业梅, 周帆, 胡博飓, 王晨, 张鎏波, 周鲜成
录用日期: 2025-05-12
金融市场的强随机性, 非线性和非平稳性等特性对股票价格的预测提出了挑战. 本文基于样本卷积交互网络(Sample Convolutional Interaction Network, SCINet) 构建股票价格预测模型, 该模型由多个SCI-Block按照二叉树结构排列而成, 对金融时间序列进行奇偶分裂后, 利用不同的卷积核进行特征提取. 这种结构能够更有效地捕捉股票价格时间序列数据的局部特征, 从而提高预测精度. 然后, 基于SCINet预测模型获得的股票价格变化信息, 设计一种分级资产分配策略, 并采用粒子群算法(PSO)对分级阈值进行优化, 实现投资收益最大化且最大限度规避投资风险. 最后, 在标准普尔指数(S&P500), 上证指数(SSEC), 深证指数(SZI)以及S&P500 8只成分股数据上进行股票价格预测及资产分配实证研究. 结果表明, 基于SCINet建立的股票价格预测模型与SVR、CNN、LSTM、CNN-LSTM 模型相比能更准确地捕获价格变化信息, 且根据变化信息进行的资产分配能获得更好的收益, 验证了基于SCINet建立的股票价格预测模型及资产分配策略的有效性.