Stock market prediction on high-frequency data using generative adversarial nets.
股票价格预测是⾦融界的⼀个重要问题，因为它有助于制定有效的股票交易策略。在本⽂中，我们提出了⼀个采⽤⻓短期记忆 (LSTM) 和卷积神经 ⽹络 (CNN) 进行对抗性训练以预测⾼频股票市场的通⽤框架。该模型将交易软件提供的公开可⽤指数作为输⼊，避免了复杂的⾦融理论研究和⾼ 难度的技术分析，为⾮⾦融专业的普通交易者提供了⽅便。我们的研究模拟了实际交易者的交易模式，采⽤滚动划分训练集和测试集的⽅法来分析 模型更新周期对预测性能的影响。⼤量实验表明，我们提出的⽅法可以有效提⾼股价⽅向预测的准确性，减少预测误差。
预测股票价格是⾦融界的⼀个重要⽬标 [1-3]，因为合理准确的预测 有可能产⽣⾼⾦融收益并对冲市场⻛险。随着互联⽹和计算技术的快 速发展，在股票市场上执行操作的频率已增加到⼏分之⼀秒 [4, 5]。 BM&F Bovespa（巴西证券交易所）⾃ 2009 年开始⾼频操作，⾼频 操作的数量从 2009 年的 2.5% 增⻓到 2013 年的 36.5%。Aldridge 和 Krawciw [6] 估计，在2016 年⾼频交易平均发起了 10%‒40% 的 股票交易量和 10%‒15% 的外汇和商品交易量。这些百分⽐表明⾼ 频股票市场是全球趋势。
在⼤多数情况下，预测结果从两个⽅⾯进行评估：⼀是实际价格 与预测值之间的预测误差（主要是RMSE（均⽅根误差）或RMSRE （均⽅根相对误差））；⼆是⽅向预测准确率，即正确预测价格序列 ⽅向的百分⽐，如向上和向下运动对决策来说才是真正重要的。即使是预测性能的微⼩改进 也能带来巨⼤收益 [7, 8]。
然⽽，由于市场的复杂性和混沌动态以及涉及的许多不可判定的、 ⾮平稳的随机变量，预测股票价格并不是⼀件容易的事 [9]。来⾃不同 领域的许多研究⼈员研究了⾦融时间序列的历史模式，并提出了各种 预测股票价格的⽅法。
为了取得可观的业绩，这些⽅式⼤多需要仔细选择输⼊变量，⽤专业 的⾦融知识建⽴预测模型，并采⽤各种统计⽅法进行套利分析，这使 得⾦融领域以外的⼈很难使⽤这些⽅法来进行预测。预测股票价格 [10-12]。
Goodfellow 等⼈介绍了⽣成对抗⽹络 (GAN)。 [13]，其中使⽤ 同时训练的两个⽹络从随机噪声⽣成图像块。具体来说，在 GAN 中， 判别⽹络学习区分给定数据实例是否真实，⽽⽣成⽹络学习通过⽣ 成⾼质量数据来进行混淆。虽然这种⽅法已经成功并应⽤于⼴泛的领 域，例如图像修复，语义分割和视频预测[14-16]，据我们所知，它还没有被⽤于股票预测。 ´ 该⼯作使⽤基本的技术指标数据作为输⼊变量，这些数据可以直 接从交易软件中获取，使得⾦融领域以外的⼈可以很容易地通过我 们的⽅法预测股票价格。这项研究引⼊了预测误差损失和⽅向预测损 失，并表明⽣成对抗训练 [13] 可以成功地⽤于组合这些损失以产⽣ 令⼈满意的预测结果，我们将这种预测架构称为 GAN FD（GAN for minimizing forecast error loss and direction预测损失）。为了 符合实际交易实践，本⼯作对原始数据的训练集和测试集进行了滚动 分割，我们将在实验部分进行详细说明。