人工智能+金融|基于时间序列的金融预测

本文讲述了机器学习和深度学习在金融领域应用最广泛的问题，即关于金融时间序列预测的深度学习研究的全面文献综述。 作者不仅根据其预期的预测领域对研究进行分类，例如股票，指数、外汇、大宗商品，债券价格和趋势预测的具体研究方法，而且还进一步根据深度学习方法对它们进行分组。
《Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019》
（1）通过机器学习实现金融时间序列预测

已出版的工作包含股票市场预测、交易系统开发、外汇和市场预测应用的实际例子、使用人工神经网络 (ANN)、进化计算 (EC)、遗传编程 ( GP) 、使用各种人工智能 (AI) 技术（如 ANN、专家系统、混合模型）调查了财务预测和规划研究以及其他财务应用、比较不同金融应用中的 ML 方法、分析市场、外汇预测和交易系统的软计算模型、计量经济学的角度对预测过程进行总体调查等等。
在软件计算中，进化计算和人工神经网络的工作较丰富，例如：遗传算法 (GA) +计算金融领域；多目标进化算法 (MOEA) +金融时间序列预测；EC +金融投资模型专家系；ANN +股票价格预测和其他一些金融应用中的实现；ANN +经济学和管理研究；文本挖掘调查+金融时间序列预测；新闻文本+交易策略异常预测；文本挖掘+外汇市场预测
（2）通过深度学习实现金融时间序列预测

作者发现，绝大多数研究中，DL 模型优于 ML 模型。
在文献调查中，有不同种类的 DL 模型：深度多层感知器 (DMLP)、RNN、LSTM、CNN、受限玻尔兹曼机 (RBM)、DBN、自动编码器 (AE) 和深度强化学习（DRL）等等。通常，金融时间序列预测被认为是一个回归问题。然而，也有大量研究，特别是趋势预测，使用分类模型来解决预测问题，作者详细解释了这几种模型。
深度学习+金融研究最广泛的研究是给定金融时间序列的预测，特别是资产价格预测，集中于预测标的趋势。 超过一半的 DL 都集中在这个领域，具体包括股票价格预测、指数预测、外汇价格预测、商品（石油、黄金等）价格预测、债券价格预测、波动率预测、加密货币价格预测。
这些研究可以根据其预期输出分为两大类：价格预测和价格变动（趋势）预测。
价格预测是一个回归问题，但在大多数金融时间序列预测应用中，正确预测价格并不像正确识别方向运动那样重要。价格趋势预测是一个分类问题，即预测价格将以何种方式变化。在一些研究中，仅考虑上涨和下跌（2 分类），或上涨下跌和稳定（3分类）。
（1）股票价格预测

大致包含三类方法，一种仅使用原始时间序列数据（价格数据、开盘价、收盘价、最高价、最低价、成交量 (OCHLV)）进行价格预测的研究；一种是根据技术指标等各类数据进行研究，还有一种使用使用文本挖掘技术综合进行研究。

仅使用原位数据做股票价格预测的研究方法

使用多种数据做股票价格预测的研究方法

使用文本挖掘做股票价格预测的研究方法

（2）指数预测

部分研究人员更偏爱预测股市指数。由于指数的波动性通常低于个股，更能反映经济的整体趋势和总体状况。
常用指数包括：标普500、中证指数（CSI）300、印度国家证券交易所（NIFTY）、东京日经指数（NIKKEI）225、道琼斯工业平均指数（DJIA）、上海证券交易所（上证180、香港恒生指数（HSI）、深交所综合指数（SZSE）、伦敦金融时报证券交易所指数（FTSE）100、台湾资本加权股票指数（TAIEX）、BIST、纳斯达克、道琼斯工业平均指数 30 (DOW30)、KOSPI、标准普尔 500 波动率指数 (vix)、纳斯达克 100 波动率指数 (VXN)、巴西证券交易所 (Bovespa)、斯德哥尔摩证券交易所 (OMX)、纽约证券交易所。
指数预测的方法也大致分为两类：仅使用原始时间序列数据的方法，以及使用各种其他数据，例如技术指标、指数数据、社交媒体提要、路透社新闻、彭博社、数据的统计特征（标准偏差、偏度等)的方法。

仅使用原位数据的指数预测研究方法

使用各类数据来指数预测的研究方法

（3）大宗商品价格预测

DNN、RNN、FDDR、CNN 是最常用的预测大宗商品价格的模型

大宗商品预测的研究方法

（4）波动率预测

波动率与给定时间段内的价格变化直接相关，主要用于风险评估和资产定价。
LSTM、RNN、CNN、MM、广义自回归条件异方差 (GARCH) 较为广泛。

（5）债券价格预测

一些金融专家根据债券价格的变化来分析经济状况，他们认为债券价格比股票市场更能代表经济的健康状况。从历史上看，在正常经济扩张时期，长期利率高于短期利率，而在经济衰退之前，短期利率超过长期利率，即反向收益率曲线。因此，准确的债券价格预测非常有必要。
然而，用于债券价格预测的深度学习实现的工作非常少。在一项研究中，使用多种 ML 模型（包括 RF、AE 和 PCA 网络以及 2-3-4 层 DFNN）预测债券超额回报。
（6）外汇价格预测

外汇市场是世界上所有现有金融市场中交易量最高的。它7天24小时全天候开放，一天内发生价值数万亿美元的外汇交易。根据国际清算银行的数据，每天的外汇交易量超过 5 万亿美元。此外，还有大量在线外汇交易平台为其订阅者提供杠杆交易机会。因此，交易者对有利可图的交易策略产生了巨大的兴趣。因此，有许多基于深度学习模型的外汇预测和交易研究。

外汇价格预测的研究方法

（7）加密数字货币的价格预测

比特币从2017年1月的1000美元上涨到2018年1月的20000美元，不仅引起了金融界的关注，也引起了街头普通人的关注。最近，已经发表了一些关于比特币和其他加密货币的价格预测和交易策略开发的论文。鉴于底层技术已引起人们的关注，在不久的将来，很有可能会出现一些新的研究。
在文献中，DNN、LSTM、GRU、RNN、经典方法（ARMA、ARIMA、自回归条件异方差（ARCH）、GARCH 等）被用于加密货币价格预测。

加密数字货币价格预测的研究方法

（8）趋势预测
趋势预测和价格预测具有相同的输入特征，但是改变了问题的性质，从回归到分类，相应的性能指标也发生了变化。但是，这两种方法并没有真正的差异，区别在于对输出的解释。
在文献调研中，包含仅使用原始时间序列数据的研究，以及使用技术指标、价格数据和基本面数据进行研究；还有用文本挖掘技术的研究和使用其他各种数据的研究。

仅使用原始数据做趋势预测的研究方法

利用技术指标等数据做趋势预测的研究方法

用文本挖掘做趋势预测的研究方法

结论

据统计，LSTM 是大多数研究人员进行金融时间序列预测的首选，LSTM 及其变体利用为时间序列预测实现带来更高的性能。
RNN、GRU 作为研究人员模型选择的可行偏好，在许多研究中选择了 RNN 模型用于基准测试，以与其他开发的模型进行性能比较。另外，其他模型也被用于时间序列预测问题。其中DMLP 最受关注。