結(jié)合公司財(cái)務(wù)報(bào)表數(shù)據(jù)的股票指數(shù)預(yù)測(cè)方法

王基厚，林培光，周佳倩，李慶濤，張 燕，蹇木偉

（山東財(cái)經(jīng)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，濟(jì)南 250014）

（?通信作者電子郵箱llpwgh@163.com）

0 引言

股票市場(chǎng)是國(guó)家經(jīng)濟(jì)的重要組成部分，股票指數(shù)作為反映股市變化的重要標(biāo)志，也反映了國(guó)家經(jīng)濟(jì)發(fā)展變化的情況，同時(shí)股票指數(shù)的變化還影響著投資者的經(jīng)濟(jì)利益。然而受到政治、軍事、宏觀經(jīng)濟(jì)等多種因素的影響，使得股票指數(shù)充滿復(fù)雜性，也使準(zhǔn)確預(yù)測(cè)股票指數(shù)成為一個(gè)困難的問(wèn)題。許多學(xué)者［1-4］通過(guò)增加數(shù)據(jù)特征來(lái)應(yīng)對(duì)這種復(fù)雜性，提高預(yù)測(cè)準(zhǔn)確率。

有效市場(chǎng)假說(shuō)的半強(qiáng)勢(shì)形式表明，資產(chǎn)價(jià)格完全反映了可公開(kāi)獲得的信息［5］?；谶@個(gè)前提，只要有新的信息進(jìn)入市場(chǎng)，價(jià)格就會(huì)發(fā)生變化。在市場(chǎng)中，上市公司以定期報(bào)告和臨時(shí)報(bào)告等形式，向投資者和社會(huì)公眾公開(kāi)披露公司及與公司相關(guān)的信息。研究表明，財(cái)務(wù)披露是預(yù)測(cè)股票指數(shù)變化的一種吸引人的且具有潛在財(cái)務(wù)回報(bào)的手段［6］。因此，本文結(jié)合公司披露信息中的財(cái)務(wù)報(bào)表進(jìn)行股票指數(shù)預(yù)測(cè)研究。

本文主要工作是提出了一種結(jié)合公司披露的財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行股票指數(shù)預(yù)測(cè)的方法。該方法在使用股票指數(shù)歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)的同時(shí)還結(jié)合了公司財(cái)務(wù)報(bào)表數(shù)據(jù)，并通過(guò)降維方法處理公司財(cái)務(wù)報(bào)表數(shù)據(jù)形成的高維矩陣，在減少數(shù)據(jù)噪聲影響的同時(shí)，保留對(duì)原始數(shù)據(jù)表達(dá)最優(yōu)的數(shù)據(jù)特征。該方法通過(guò)增加數(shù)據(jù)特征來(lái)應(yīng)對(duì)股票指數(shù)波動(dòng)的復(fù)雜性，提高預(yù)測(cè)的準(zhǔn)確性，在滬深300和上證50數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與其他預(yù)測(cè)方法相比，本文提出的結(jié)合公司財(cái)務(wù)報(bào)表進(jìn)行股票指數(shù)預(yù)測(cè)的方法具有較好的預(yù)測(cè)結(jié)果和較高的準(zhǔn)確度。

1 相關(guān)工作

股票市場(chǎng)具有較高的復(fù)雜性，影響股票市場(chǎng)的波動(dòng)存在著多方面的因素，僅僅利用歷史數(shù)據(jù)有局限性，不能完全模擬出復(fù)雜的市場(chǎng)變化。國(guó)內(nèi)外學(xué)者利用金融文本挖掘、金融情緒分析等方法增加數(shù)據(jù)特征來(lái)應(yīng)對(duì)這種復(fù)雜性。如文獻(xiàn)［1］中提出了一種名為StockAssistant 的股票評(píng)論分析方法，該方法綜合考慮股價(jià)走勢(shì)、評(píng)論內(nèi)容、分析師表現(xiàn)等多個(gè)因素，對(duì)股票評(píng)論的可靠性進(jìn)行建模，并通過(guò)真實(shí)股票數(shù)據(jù)的交易模擬清楚地驗(yàn)證了該方法對(duì)股票評(píng)論可靠性建模的有效性；文獻(xiàn)［2］中通過(guò)提取和探索股票的內(nèi)在屬性來(lái)增強(qiáng)股票的趨勢(shì)預(yù)測(cè)，并證明了從集體投資行為中提取股票屬性在股票預(yù)測(cè)任務(wù)中的有效性；文獻(xiàn)［3］中提出了一種基于情感分析的金融市場(chǎng)趨勢(shì)預(yù)測(cè)方法，該模型通過(guò)對(duì)股民評(píng)價(jià)進(jìn)行情感分析來(lái)提取情感向量和計(jì)算情感權(quán)重，隨后利用股民情感數(shù)據(jù)和股市歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)研究，并通過(guò)實(shí)驗(yàn)證明，相比一些傳統(tǒng)模型，該方法在較小的樣本集上依舊有很好的預(yù)測(cè)效果；文獻(xiàn)［4］中開(kāi)發(fā)了一種新穎的模糊雙支持向量機(jī)，以合并從新聞文章中提取隱藏的主題模型和情感信息，從而預(yù)測(cè)股價(jià)趨勢(shì)。

數(shù)據(jù)特征的增多，會(huì)帶來(lái)大量噪聲，使預(yù)測(cè)精準(zhǔn)度下降，因此需要降維方法來(lái)進(jìn)行特征提取，以減少噪聲。如文獻(xiàn)［7］中使用小波變換來(lái)處理高度不規(guī)則的金融時(shí)間序列以進(jìn)行數(shù)據(jù)去噪，該方法可以同時(shí)分析金融時(shí)間序列的頻率和時(shí)間分量；文獻(xiàn)［8-9］中進(jìn)行金融時(shí)間序列預(yù)測(cè)研究時(shí)，均使用主成分分析（Principal Component Analysis，PCA）消除冗余信息，在保留大部分原始數(shù)據(jù)信息的同時(shí)，提高了數(shù)據(jù)質(zhì)量和預(yù)測(cè)響應(yīng)速度。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)在圖像識(shí)別［10-11］、自然語(yǔ)言理解［12-13］、語(yǔ)音識(shí)別［14-15］等領(lǐng)域的成功應(yīng)用，越來(lái)越多的研究者在金融時(shí)間序列預(yù)測(cè)領(lǐng)域使用深度學(xué)習(xí)技術(shù)。如文獻(xiàn)［16］中采用多層感知器回歸（MultiLayer Perceptron Regression，MLPR）構(gòu)建預(yù)測(cè)模型，并通過(guò)實(shí)驗(yàn)驗(yàn)證了所提出的模型在預(yù)測(cè)準(zhǔn)確性上優(yōu)于比較模型；文獻(xiàn)［17］中提出了一種基于支持向量回歸（Support Vector Regression，SVR）的混合算法，該方法在聚類大量財(cái)務(wù)時(shí)間序列數(shù)據(jù)方面具有巨大潛力，能有效提高預(yù)測(cè)股價(jià)和財(cái)務(wù)指標(biāo)的準(zhǔn)確性。

在金融時(shí)間序列預(yù)測(cè)領(lǐng)域中，長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)是應(yīng)用最多的機(jī)器學(xué)習(xí)模型之一。如文獻(xiàn)［18］中結(jié)合注意力（Attention）機(jī)制將LSTM 用于研究互聯(lián)網(wǎng)金融市場(chǎng)動(dòng)態(tài)預(yù)測(cè)問(wèn)題，并通過(guò)實(shí)驗(yàn)驗(yàn)證了所提模型在該問(wèn)題上的有效性與穩(wěn)健性；文獻(xiàn)［19-20］中均使用基于變分模態(tài)分解（Variational Mode Decomposition，VMD）和LSTM的金融數(shù)據(jù)預(yù)測(cè)方法來(lái)進(jìn)行研究，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該模型的優(yōu)越性；文獻(xiàn)［21］中建立了基于LSTM 深度神經(jīng)網(wǎng)絡(luò)的高精度金融市場(chǎng)時(shí)間序列短期預(yù)測(cè)模型，并驗(yàn)證了LSTM 深度神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測(cè)精度，可以有效地預(yù)測(cè)股市時(shí)間序列。

本文提出的結(jié)合公司財(cái)務(wù)報(bào)表的股票指數(shù)預(yù)測(cè)方法，在考慮股票指數(shù)歷史數(shù)據(jù)的前提下，融入公司財(cái)務(wù)報(bào)表信息的各項(xiàng)財(cái)務(wù)指標(biāo)進(jìn)行股票指數(shù)預(yù)測(cè)。新加入的財(cái)務(wù)指標(biāo)增加了數(shù)據(jù)特征，但是含有大量噪聲，因此需要進(jìn)行數(shù)據(jù)降維，在消除噪聲的同時(shí)，提取出有利于預(yù)測(cè)的信息。另外，由于股票指數(shù)歷史數(shù)據(jù)和公司財(cái)務(wù)報(bào)表數(shù)據(jù)的時(shí)間間隔不同，本文使用了雙通道的LSTM 模型，將兩種數(shù)據(jù)從不同的通道輸入模型。使用該方法在滬深300 和上證50 數(shù)據(jù)集上的預(yù)測(cè)實(shí)驗(yàn)表明，結(jié)合公司財(cái)務(wù)報(bào)表進(jìn)行股票指數(shù)預(yù)測(cè)的結(jié)果較好，精度提高。

2 融入財(cái)報(bào)信息的指數(shù)預(yù)測(cè)方法

本文提出的結(jié)合公司財(cái)務(wù)報(bào)表的股票指數(shù)預(yù)測(cè)方法如圖1 所示。該方法首先對(duì)股票指數(shù)歷史數(shù)據(jù)和公司財(cái)務(wù)報(bào)表數(shù)據(jù)進(jìn)行預(yù)處理，主要是對(duì)處理公司財(cái)務(wù)報(bào)表數(shù)據(jù)時(shí)生成的高維矩陣進(jìn)行降維，然后用雙通道的LSTM 對(duì)歸一化后的數(shù)據(jù)進(jìn)行預(yù)測(cè)研究。本章主要介紹公司財(cái)務(wù)報(bào)表信息中的財(cái)務(wù)指標(biāo)選取、多種降維方法和所使用的機(jī)器學(xué)習(xí)方法。

圖1 結(jié)合公司財(cái)務(wù)報(bào)表的股票指數(shù)預(yù)測(cè)方法Fig.1 Stock index forecasting method based on corporate financial statement data

2.1 財(cái)務(wù)報(bào)表信息

比率分析法是分析公司財(cái)務(wù)報(bào)表最基本的工具，它通過(guò)財(cái)務(wù)報(bào)表的有關(guān)指標(biāo)的比率計(jì)算來(lái)分析公司的經(jīng)營(yíng)活動(dòng)以及公司目前和歷史的狀況。該方法主要運(yùn)用四類比率進(jìn)行分析，這四類財(cái)務(wù)比率分別反映了公司的償債能力、運(yùn)營(yíng)能力、盈利能力和成長(zhǎng)能力。

本文方法運(yùn)用這四類財(cái)務(wù)比率中的10 種財(cái)務(wù)比率進(jìn)行股票指數(shù)預(yù)測(cè)研究，分別是反映償債能力的產(chǎn)權(quán)比率、資產(chǎn)負(fù)債率，反映運(yùn)營(yíng)能力的總資產(chǎn)周轉(zhuǎn)率，反映盈利能力的凈資產(chǎn)收益率、總資產(chǎn)凈利率、銷售凈利率，以及反映成長(zhǎng)能力的營(yíng)業(yè)收入增長(zhǎng)率、凈利潤(rùn)增長(zhǎng)率、凈資產(chǎn)增長(zhǎng)率、總資產(chǎn)增長(zhǎng)率。在使用這10 種財(cái)務(wù)比率時(shí)，需要將該數(shù)據(jù)處理成如式（1）所示的形式：

其中，ai.j.k表示截止第i天，公司j的第k種比率。本文使用第T天之前3個(gè)季度的公司財(cái)務(wù)報(bào)表數(shù)據(jù)來(lái)預(yù)測(cè)第T天的指數(shù)，這三個(gè)季度的數(shù)據(jù)分別保存在三個(gè)矩陣A中。

2.2 數(shù)據(jù)降維方法和歸一化

將股票指數(shù)歷史信息與財(cái)務(wù)報(bào)表信息相結(jié)合進(jìn)行股票指數(shù)預(yù)測(cè)研究，在處理財(cái)務(wù)報(bào)表數(shù)據(jù)時(shí)會(huì)形成如式（1）所示的高維矩陣，雖然能為股票指數(shù)預(yù)測(cè)提供更豐富的預(yù)測(cè)信息，但是過(guò)高的維數(shù)會(huì)帶來(lái)大量噪聲，并且會(huì)占用大量的存儲(chǔ)空間，使模型運(yùn)行效率低下，所以需要對(duì)高維矩陣進(jìn)行降維處理，提取出對(duì)原始數(shù)據(jù)表達(dá)最優(yōu)的數(shù)據(jù)集。

本文分別使用了8 種降維方式來(lái)進(jìn)行實(shí)驗(yàn)對(duì)比，分別是等距映射（Isomap）、快速獨(dú)立成分分析（Fast Independent Component Analysis，F(xiàn)astICA）、局部線性嵌入（Locally Linear Embedding，LLE）、截?cái)嗥娈愔捣纸猓═runcated Singular Value Decomposition，TSVD）、t-Distributed 隨機(jī)鄰域嵌入（tdistributed Stochastic Neighbor Embedding，t-SNE）、核主成分分析（Kernel Principal Component Analysis，KPCA）、多維縮放（Multiple Dimensional Scaling，MDS）和主成分分析（PCA）。

其中PCA 是最常用的無(wú)監(jiān)督降維算法，該方法通過(guò)尋找最大方差的方向來(lái)進(jìn)行降維，即通過(guò)對(duì)特征的協(xié)方差矩陣進(jìn)行分解來(lái)尋找方差最大維度，將多個(gè)特征變量轉(zhuǎn)化為少數(shù)幾個(gè)主成分，這些主成分之間彼此正交，能反映特征變量的大部分信息，從而達(dá)到降維目的。KPCA 是對(duì)PCA 的一種推廣。該方法通過(guò)非線性變換將原始特征變量映射到高維特征空間，然后在高維特征空間利用PCA 進(jìn)行特征提取。而TSVD則對(duì)特征變量的原始數(shù)據(jù)直接進(jìn)行奇異值分解，找到其中指定的最大的K個(gè)奇異值，從而生成一個(gè)指定維度的分解矩陣，以達(dá)到降維目的。FastICA 是一種線性盲源分離算法，它通過(guò)尋找最大獨(dú)立的方向來(lái)進(jìn)行降維，降維后各個(gè)成分是獨(dú)立的，有利于發(fā)現(xiàn)一些隱藏因素。與PCA 保留數(shù)據(jù)的最大可分性不同，MDS 降維方法更加關(guān)注高維數(shù)據(jù)內(nèi)部的特征。使用MDS 降維后的數(shù)據(jù)，樣本之間的歐氏距離在低維空間得以保持。與MDS 類似的降維方法是Isomap，這是一種流形學(xué)習(xí)方法，它與MDS 的不同之處在于計(jì)算樣本距離時(shí)使用了測(cè)地距離。同為流形學(xué)習(xí)降維方法的是LLE，使用該方法進(jìn)行降維，可以保持鄰域內(nèi)樣本之間的線性關(guān)系，即樣本之間的映射坐標(biāo)能夠在低維空間中得以保持。另一種流形學(xué)習(xí)降維方法t-SNE則盡量保證降維前后樣本相互之間的分布概率不變。

降維后的數(shù)據(jù)表示為如式（2）所示的形式：

其中，bi，j表示降維后第i天第j維特征的值。本文使用第T天之前3個(gè)季度的公司財(cái)務(wù)報(bào)表數(shù)據(jù)來(lái)預(yù)測(cè)第T天的指數(shù)，這三個(gè)季度的數(shù)據(jù)降維后分別保存在三個(gè)矩陣B中。從這三個(gè)矩陣B中分別取出第T行數(shù)據(jù)表示為c1、c2和c3，依式（3）所示組成矩陣cT，其中下標(biāo)1、2、3 分別表示第幾個(gè)季度。要使用cT對(duì)第T天的指數(shù)進(jìn)行預(yù)測(cè)，需要對(duì)cT進(jìn)行歸一化以消除變量間的量綱關(guān)系。歸一化計(jì)算方式如式（4）所示：

其中：yi表示歸一化后的數(shù)據(jù)，xi表示歸一化前的數(shù)據(jù)，xmin表示數(shù)據(jù)集中的最小值，xmax表示數(shù)據(jù)集中最大值。

2.3 雙通道的長(zhǎng)短期記憶網(wǎng)絡(luò)

本文方法使用雙通道的LSTM（如圖2 所示）進(jìn)行股票指數(shù)預(yù)測(cè)。雙通道的LSTM 模型擁有兩個(gè)輸入層，可以將時(shí)間跨度不同的兩組數(shù)據(jù)輸入到模型中，每個(gè)輸入層分別與一層LSTM網(wǎng)絡(luò)層相連接，在LSTM層之后加入Dropout層來(lái)防止過(guò)擬合，然后連接共享網(wǎng)絡(luò)層將兩種信息融合。共享網(wǎng)絡(luò)層之后再連接一層LSTM網(wǎng)絡(luò)層，并在LSTM層之后也加入Dropout層來(lái)防止過(guò)擬合。最后連接一個(gè)Dense輸出層以輸出結(jié)果。

圖2 雙通道的LSTMFig.2 Dual-channel LSTM

LSTM［22］是一種時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò)，是目前在金融時(shí)間序列預(yù)測(cè)領(lǐng)域中應(yīng)用最多的機(jī)器學(xué)習(xí)模型之一。LSTM 的優(yōu)越之處在于，它特有的“三門”結(jié)構(gòu)，使它不必像常規(guī)循環(huán)神經(jīng)網(wǎng)絡(luò)（Rerrent Neural Network，RNN）那樣在實(shí)際使用過(guò)程中面臨梯度消失的問(wèn)題，也使它能更好地處理長(zhǎng)期依賴問(wèn)題。LSTM 的“三門”結(jié)構(gòu)包括遺忘門（ft決定丟棄信息）、輸入門（it決定更新信息）和輸出門（ot決定輸出信息），具體情況如圖3所示。如圖3 所示，t時(shí)刻的輸入xt與上一時(shí)刻的輸出ht-1先經(jīng)過(guò)遺忘門的sigmoid單元來(lái)決定LSTM 單元狀態(tài)需要丟棄哪些信息，然后經(jīng)過(guò)輸入門的sigmoid 單元來(lái)決定LSTM 單元狀態(tài)需要更新哪些信息，并通過(guò)一個(gè)tanh 層得到新的候選單元信息。舊的單元狀態(tài)Ct-1根據(jù)上述信息來(lái)更新為新的單元狀態(tài)Ct。最后xt與ht-1經(jīng)過(guò)輸出門的sigmoid 單元來(lái)決定LSTM 單元輸出狀態(tài)Ct的值ht。這一過(guò)程的計(jì)算公式如式（5）～（10）所示：

圖3 LSTM的內(nèi)部結(jié)構(gòu)Fig.3 Internal structure of LSTM

其中：σ表示sigmoid 激活函數(shù)；Wf、Wi、WC、Wo是權(quán)重矩陣；bf、bi、bC、bo是相應(yīng)的偏差矩陣。

3 實(shí)驗(yàn)與結(jié)果

3.1 度量標(biāo)準(zhǔn)

本文使用均方根誤差（Root Mean Squared Error，RMSE）、平均絕對(duì)誤差（Mean Absolute Error，MAE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）對(duì)本文所提方法的性能進(jìn)行定量評(píng)價(jià)。式（11）～（13）是這三種標(biāo)準(zhǔn)的計(jì)算方式。

3.2 數(shù)據(jù)集

本文使用的數(shù)據(jù)集為上證50指數(shù)和滬深300指數(shù)的股票指數(shù)歷史數(shù)據(jù)以及兩者成分股中的上市公司的財(cái)務(wù)報(bào)表數(shù)據(jù)。其中，上證50 指數(shù)的股票指數(shù)歷史數(shù)據(jù)選用的日期為2015 年1 月5 日至2019 年12 月31 日（共1 219 個(gè)交易日）；滬深300 指數(shù)的股票指數(shù)歷史數(shù)據(jù)選用的日期為2017 年1 月3日至2019 年12 月31 日（共731 個(gè)交易日）。本文使用的股票指數(shù)歷史數(shù)據(jù)包括開(kāi)盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)、成交量、成交金額和漲跌幅。在將數(shù)據(jù)整理成監(jiān)督學(xué)習(xí)形式后，使用前80%個(gè)樣本的數(shù)據(jù)作為訓(xùn)練集，其余20%個(gè)樣本的數(shù)據(jù)作為測(cè)試集。數(shù)據(jù)來(lái)源為銳思金融數(shù)據(jù)庫(kù)（www.resset.com）。

3.3 降維方法對(duì)比實(shí)驗(yàn)

本節(jié)旨在研究在處理公司財(cái)務(wù)報(bào)表數(shù)據(jù)過(guò)程中，不同降維方法對(duì)預(yù)測(cè)結(jié)果的影響，找出使預(yù)測(cè)結(jié)果最優(yōu)的降維方法。實(shí)驗(yàn)中使用的降維方法分別是FastICA、Isomap、KPCA、LLE、MDS、PCA、t-SNE 和TSVD。實(shí)驗(yàn)結(jié)果如表1 所示：在上證50數(shù)據(jù)集（SSE 50）上，使用PCA 降維方法的RMSE 值最小，使用TSVD 降維方法的MAE 值和MAPE 值最小；在滬深300數(shù)據(jù)集（CSI 300）上，使用TSVD 降維方法的誤差最小，預(yù)測(cè)最精準(zhǔn)。綜合來(lái)看，TSVD 降維方法的效果最好，在后續(xù)的對(duì)比實(shí)驗(yàn)當(dāng)中，將使用以TSVD方法降維的LSTM-TSVD模型進(jìn)行對(duì)比。

表1 不同降維方法的預(yù)測(cè)效果對(duì)比Tab.1 Comparison of prediction effects of different dimension reduction methods

3.4 對(duì)比實(shí)驗(yàn)和結(jié)果

本文實(shí)驗(yàn)中使用第T天之前5 天的股票指數(shù)歷史數(shù)據(jù)和第T天之前3 個(gè)季度的公司財(cái)務(wù)報(bào)表數(shù)據(jù)來(lái)預(yù)測(cè)第T天的指數(shù)收盤價(jià)。實(shí)驗(yàn)中batch_size 為128，epoch 為300。為驗(yàn)證本文方法的可行性與高效性，使用LSTM、CNN-LSTM、LSTMAttention和VMD-LSTM方法進(jìn)行對(duì)比實(shí)驗(yàn)。其中，CNN-LSTM是由CNN 與LSTM 組成的混合網(wǎng)絡(luò)，LSTM-Attention 是在LSTM 網(wǎng)絡(luò)中加入注意力機(jī)制的預(yù)測(cè)模型，VMD-LSTM 是一種以VMD方法處理數(shù)據(jù)并結(jié)合LSTM進(jìn)行預(yù)測(cè)的方法。為了更直觀地對(duì)比各個(gè)模型在不同數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果，本文選擇了部分實(shí)驗(yàn)預(yù)測(cè)結(jié)果展示在圖4 和圖5 中，從中可以看出，LSTM-TSVD模型的擬合效果優(yōu)于其他方法。

圖4 上證50指數(shù)測(cè)試集上的部分預(yù)測(cè)結(jié)果Fig.4 Partial prediction results on SSE 50 Index test set

圖5 滬深300指數(shù)測(cè)試集上的部分預(yù)測(cè)結(jié)果Fig.5 Partial prediction results on CSI 300 Index test set

各模型在不同數(shù)據(jù)集上的評(píng)價(jià)指標(biāo)如表2 所示。由表2可以看出，LSTM-TSVD 方法的所有評(píng)價(jià)指標(biāo)均小于其他方法，說(shuō)明與表2中其他預(yù)測(cè)方法相比，LSTM-TSVD方法的預(yù)測(cè)效果最好。

表2 各模型預(yù)測(cè)效果對(duì)比Tab.2 Comparison of prediction effects of different models

4 結(jié)語(yǔ)

本文提出的結(jié)合公司財(cái)務(wù)報(bào)表的股票指數(shù)預(yù)測(cè)方法，在考慮股票指數(shù)歷史數(shù)據(jù)的同時(shí)，融入了公司財(cái)務(wù)報(bào)表信息的財(cái)務(wù)指標(biāo)進(jìn)行股票指數(shù)預(yù)測(cè)。新加入的數(shù)據(jù)增加了數(shù)據(jù)的特征數(shù)量，提供了更多的信息以應(yīng)對(duì)復(fù)雜的股票指數(shù)變化。在處理公司財(cái)務(wù)報(bào)表數(shù)據(jù)時(shí)，諸多降維方法中，使用TSVD 降維方法的預(yù)測(cè)效果最好。另外，本文使用了雙通道的LSTM 模型，將時(shí)間間隔不同的股票指數(shù)歷史數(shù)據(jù)和公司財(cái)務(wù)報(bào)表數(shù)據(jù)從不同的通道輸入模型。在滬深300和上證50數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，結(jié)合公司財(cái)務(wù)報(bào)表進(jìn)行股票指數(shù)預(yù)測(cè)的結(jié)果較好，精度較高。今后的工作將將嘗試將更多的股票信息數(shù)據(jù)融合到一起，在現(xiàn)有工作的基礎(chǔ)上加入如股民情感信息、新聞信息等。