社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

利用多模态深度学习预测收益公告日的股价走势

灵度智能 • 5 月前 • 343 次点击  

“Predicting Stock Price Direction on Earnings Announcement Days using Multi-modal Deep Learning”


财务公告(EAs)会引发股价大幅变动,会计数据可预测股价反应,还存在公告后漂移现象。预测财报公告(EA)期间股价走势颇具挑战。


本文结合公司基本面、市场价格和FinBERT新闻情绪三种数据,对比不同模型,进行消融研究评估情绪特征贡献。结果显示,LSTM通过保守策略有更高精度,Transformer模型识别波动走势的敏感性更优,宏观F1分数更高,消融实验表明纳入新闻情绪有益。



【 扫描文末二维码加入星球获取论文,源码 】


摘要


预测财报公告(EA)期间股价走势颇具挑战。本研究评估预公告新闻情绪、公司基本面和近期市场动态能否共同预测EA日股票价格走势。构建多模态特征空间,结合15个基本面指标、3个基于价格的技术指标和FinBERT处理金融新闻文章得到的情绪得分。比较长短期记忆网络(LSTM)、基于Transformer的架构与逻辑回归基线模型,评估含与不含情绪特征的模型以量化其增量价值。结果显示,LSTM通过保守策略有更高精度,Transformer模型识别波动走势的敏感性更优,宏观F1分数更高,消融实验表明纳入新闻情绪有益。


简介


财务公告(EAs)会引发股价大幅变动,会计数据可预测股价反应,还存在公告后漂移现象。近年研究超越数字,新闻情绪能捕捉财报未含信息,现代语言模型可更精准测量情绪。多数股票预测模型关注日常或高频交易,针对EAs研究较少,近期研究表明财报文本内容可预测EA日回报。


本文结合公司基本面、市场价格和FinBERT新闻情绪三种数据,对比不同模型,进行消融研究评估情绪特征贡献,用Transformer关注公告前30天重要日期,用特殊损失函数聚焦股价大幅波动,为高波动事件决策提供可靠工具。


方法


问题建模


定义任务为事件驱动的价格走势预测,依据财报发布(EA)前30天多模态时序序列X预测EA后价格方向y(y∈{0(涨), 1(跌), 2(平)})


数据集构建


整合金融新闻与企业基本面数据,新闻源于 Markets API 并处理(解析时间戳、去重、按代码排序)。企业基本面从 FactSet 取数,选样本期初市值前 500 家美企,计算标准会计比率。合并各组件成统一数据集,序列化后用于后续处理与建模。


特征工程与数据表示


为捕捉股票市场多面性,构建含企业基本面、市场动态和新闻情绪三种模式的异质特征空间。为每个股票构建每日时间序列,观测值代表每日市场状态,最终特征向量维度 d = 21,包括:企业基本面(d f = 15,如净利率、净资产收益率等季度和年度指标)、市场动态(d m = 3,调整收盘价及两个短期动量技术指标)、新闻情绪(d n = 3,用 FinBERT 处理金融新闻文章,多文章时取平均)。为评估情绪影响,还仅用基本面和市场特征训练所有模型。


数据预处理


金融数据稀疏和缩放差异通过三步解决:


时间插补:用前向填充(FFILL)处理周末和假期数据,假设状态平稳至下一个交易日。


横截面插补:用均值插补处理稀疏基本面指标,维持特征密度且避免引入特殊偏差。


特征缩放:所有特征进行z-分数标准化(µ = 0,σ = 1),确保基于梯度优化的稳定性,防止大尺度特征主导损失函数。


目标定义与失衡


目标变量 y 由盈利公告日(或盘后公告则为下一个交易日)的证券调整收盘价 P_EA  与前一交易日价格 P_EA−1 计算每日收益率 R 得出,设分类阈值 τ = 3% 得到三分类目标 y∈{0,1,2}。



标签高度不平衡,中性类约占 67%,采用加权交叉熵损失 L 缓解,权重 w0, w1 ≥ w2。



模型架构


评估用于捕捉 21 维特征空间时间依赖的 LSTM 和 Transformer 深度学习模型,并与逻辑回归基线比较。


基线


以多项逻辑回归分类器作非时间基线,将30天输入窗口每日观测值拼接成30×d固定长度向量,用lbfgs求解器和类别平衡权重训练模型,为评估显式时间建模优势提供线性参考。


LSTM


实现2层堆叠LSTM,隐藏维度64、dropout率0.5,依次处理每日特征向量 x_t ∈ R~d,将最终隐藏状态传入全连接softmax层输出类别概率。


Transformer


为放宽严格顺序处理的归纳偏差,采用Transformer编码器架构。评估自注意力机制捕获全局时间模式的能力,而非将其视为循环模型的绝对改进。模型用多头自注意力捕获30天预公告窗口的依赖关系,通过正弦位置编码保留时间顺序。配置为2个编码器层、4个注意力头、前馈维度256。最终编码器块后进行全局平均池化,接全连接分类头,可联合建模多特征,适用于有限数据。


实验


实验设置


使用 Adam 优化器,学习率 5·10⁻⁵,批大小 8,通过 15 个训练周期和 0.5 丢弃率正则化。用与金融决策相关指标评估模型,报告 Precision 评估可操作信号可靠性,用 Macro-F1 确保跨不平衡类别的平衡性能。


引入自定义成本指标,UP ↔ DOWN 误分类成本为 3,其他错误成本为 1,以反映特定领域风险偏好。


混淆矩阵和错误分析


图1展示含情感特征的三个模型的混淆矩阵,完整的六个模型变体(含/不含情感)的更大混淆矩阵见附录A。



逻辑回归基线决策不稳定,偏向预测UP,导致大量UP↔DOWN误判,虽Macro-F1与深度模型相近但实用性受限。


LSTM策略保守,多预测为NEUTRAL,减少方向误判、成本最低,但对波动事件敏感度低,Macro-F1得分低。


注意力模型预测分布更均匀,识别UP和DOWN事件多于LSTM,提高敏感度,但方向误差和金融风险增加。


表现对比


模型表现:Attention模型Macro-F1得分最高,对盈利相关波动敏感度高;LSTM最小化金融风险,保守预测使定制成本最低;逻辑回归因频繁方向误分类成本最高。



特征影响:去除情绪特征使所有模型表现变差,LSTM受影响最明显,表明情绪信息对深度序列模型有稳定作用。


结论:存在敏感度与风险控制的权衡,LSTM重稳定和成本最小化,自注意力提升对价格波动检测但方向风险更高


讨论


研究结果揭示了收益公告预测中保守与敏感建模策略的权衡:


LSTM 偏向中性类,精度高、关键方向误差少,但易错过波动事件。


基于 Transformer 的模型对预公告信号更敏感,能捕捉更多价格变动,但误报率和方向风险高。


逻辑回归基线决策策略不稳定,虽 Macro-F1 与深度模型相当,但常产生高成本方向误差,说明线性模型不足以捕捉收益数据的复杂交互。


消融研究表明去除情绪特征会降低所有模型性能,尤其增加方向误差,说明新闻情绪提供补充信息,稳定预测。


模型选择取决于目标应用,风险规避策略可选 LSTM,追求波动策略可选 Transformer,但二者均受有限数据和金融市场噪声限制。


总结


本研究用多模态特征集预测财报公告日股票价格走势,对比逻辑回归基线模型与LSTM、Transformer架构。结果显示,LSTM保守预测降低金融风险,Transformer捕捉波动获更高MacroF1分数,基线模型风险控制差,情绪特征提升各模型稳定性与性能,凸显深度学习用于金融预测时敏感性与风险管理的权衡。



▌关于我们

我们致力于人工智能、量化交易领域前沿研究,分享前沿论文、模型代码、策略实现。如有相关需求,请私信与我们联系。

▌商务合作

请加微信“LingDuTech163”,或公众号后台私信“联系方式”。


关注【灵度智能】公众号,获取更多AI资讯。


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/197193