基于XGBOOST特征選取的LSTM模型評(píng)估股票走勢(shì)分析

張訓(xùn)韜 范永勝

關(guān)鍵詞：XGBOOST；LSTM；特征排名；股票預(yù)測(cè)

自1990年滬深兩大證券交易所開(kāi)市以來(lái)，中國(guó)股市蓬勃發(fā)展。中國(guó)證券登記結(jié)算有限責(zé)任公司于2022年2月披露，中國(guó)股民占全總?cè)丝谄叻种?，突?億[1]?？梢?jiàn)，隨著經(jīng)濟(jì)的快速發(fā)展，人民的可支配收入顯著提高。除去日常開(kāi)銷(xiāo)外，越來(lái)越多的人選擇股票投資來(lái)實(shí)現(xiàn)剩余資金的最大價(jià)值。雖然A股投資者大量增加，但投資者投資的技術(shù)水平參差不齊。陳興松等研究者發(fā)現(xiàn)A股投資者中，小散戶數(shù)量遠(yuǎn)遠(yuǎn)大于專業(yè)機(jī)構(gòu)投資者[2]。大量散戶投資理念不成熟，有較強(qiáng)的從眾心理，無(wú)法很好地利用歷史數(shù)據(jù)對(duì)股票走勢(shì)進(jìn)行分析判斷，更傾向于追漲殺跌。盲目投資的結(jié)果往往是虧損，更有甚者傾家蕩產(chǎn)。因此，通過(guò)一定的技術(shù)手段指導(dǎo)股票買(mǎi)賣(mài)，規(guī)避買(mǎi)家主觀的無(wú)效抉擇是很有必要的。

1 研究綜述

學(xué)者為了讓投資者方便地看出股票的未來(lái)趨勢(shì)，研究了很多的技術(shù)指標(biāo)。傳統(tǒng)的技術(shù)指標(biāo)預(yù)測(cè)法主要將K線圖和KDJ，MADC等技術(shù)指標(biāo)結(jié)合來(lái)預(yù)測(cè)股票走勢(shì)，帶有一定的主觀性，且很難分析出多維數(shù)據(jù)間的關(guān)聯(lián)。統(tǒng)計(jì)學(xué)預(yù)測(cè)法處理線性問(wèn)題具有一定優(yōu)勢(shì)，Li等應(yīng)用統(tǒng)計(jì)學(xué)的ARIMA模型預(yù)測(cè)了股價(jià)的變化趨勢(shì)[3]。但隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在非線性預(yù)測(cè)問(wèn)題上取得了卓越表現(xiàn)，研究者們把研究股票預(yù)測(cè)問(wèn)題的重心轉(zhuǎn)移到了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)上。機(jī)器學(xué)習(xí)預(yù)測(cè)法一般就是把時(shí)序問(wèn)題轉(zhuǎn)換為監(jiān)督學(xué)習(xí)，通過(guò)特征工程和機(jī)器學(xué)習(xí)方法去預(yù)測(cè)。Hassan提出了一種結(jié)合隱馬爾可夫模型和模糊的方法預(yù)測(cè)股票，其預(yù)測(cè)的精度遠(yuǎn)高于普通隱馬爾可夫模型和ARIMA 模型[4]。Wei等引入了最小二乘支持向量機(jī)（LS-SVM） 預(yù)測(cè)股票，通過(guò)動(dòng)態(tài)慣性權(quán)重粒子群（W-POS） 優(yōu)化參數(shù)，其訓(xùn)練速度優(yōu)于SVM，預(yù)測(cè)結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)[5]。機(jī)器學(xué)習(xí)在股票預(yù)測(cè)上取得了一定成就，但是股票作為時(shí)序數(shù)據(jù)，機(jī)器學(xué)習(xí)忽視了數(shù)據(jù)的前后關(guān)系。目前，研究者熱衷于用深度學(xué)習(xí)，尤其是LSTM模型訓(xùn)練時(shí)序數(shù)據(jù)。Lstm在處理非線性問(wèn)題上效果良好，三個(gè)門(mén)實(shí)現(xiàn)了對(duì)時(shí)序數(shù)據(jù)的保護(hù)和控制，并且解決了rnn長(zhǎng)期和梯度消失的問(wèn)題。Althelaya利用標(biāo)準(zhǔn)普爾500指數(shù)評(píng)估變種LSTM模型和GRU模型。實(shí)驗(yàn)表明疊加的LSTM的體系結(jié)構(gòu)有更好的預(yù)測(cè)性能[6]。有了成熟的預(yù)測(cè)模型，需要考慮的是特征的選取。充足的技術(shù)指標(biāo)可以讓預(yù)測(cè)結(jié)果更準(zhǔn)確，但可作為模型輸入數(shù)據(jù)的金融技術(shù)指標(biāo)已有上百種，若將所有的指標(biāo)應(yīng)用于股票預(yù)測(cè)勢(shì)必會(huì)降低算法運(yùn)行效率和增加模型復(fù)雜度?，F(xiàn)有的降維算法很多，主要分為特征提取和特征選擇兩大類。特征提取通過(guò)訓(xùn)練分析原有特征，提取出新的特征，且這些新的特征并未包含于原特征中，其中代表的算法就是主成分分析。而特征選擇主要是將原有特征按重要性排序，最終篩選的特征是原有特征的子集，代表算法有遺傳算法和決策樹(shù)算法。本次研究是選擇后者中的XGBOOST算法選擇特征，選擇排名靠前的金融指標(biāo)訓(xùn)練LSTM模型，達(dá)到預(yù)測(cè)未來(lái)股價(jià)的目的。

2 理論基礎(chǔ)

2.1 XGBOOST 模型

XGBOOST（極值的梯度提升樹(shù)）是陳天奇等人提出的一種基于樹(shù)構(gòu)造的算法，其構(gòu)造思想和GDBT（梯度提升決策樹(shù)）大致相同，只是在其功能上進(jìn)行提升，兩者都是屬于boosting方法[7]。這種算法的構(gòu)造原理集成多個(gè)弱分類器形成一個(gè)強(qiáng)分類器。XGBOOST不停地迭代，且每次生成的新樹(shù)都擬合了前一棵樹(shù)的殘差，迭代的次數(shù)越多，訓(xùn)練的精度越好。增強(qiáng)學(xué)習(xí)的構(gòu)建模型如下所示：

其中：n表示總共構(gòu)建的決策樹(shù)個(gè)數(shù)，xi 代表輸入的特征值，F(xiàn)為所有生成決策樹(shù)的集合，ft 是單棵決策樹(shù)的訓(xùn)練函數(shù)，yi 則表示最終的預(yù)測(cè)值。每一棵樹(shù)對(duì)應(yīng)的ft 都包含了一種特征值和葉節(jié)點(diǎn)值的對(duì)應(yīng)關(guān)系。為了更好地闡述XGBOOST樹(shù)與弱學(xué)習(xí)樹(shù)的關(guān)系和更好的訓(xùn)練模型，我們定義了如下的目標(biāo)函數(shù)：

其中：yi 是預(yù)測(cè)結(jié)果，yi 表示真實(shí)值或者標(biāo)簽，（1）是預(yù)測(cè)結(jié)果和實(shí)際情況損失函數(shù)的簡(jiǎn)單表示。（2）是一個(gè)正則化項(xiàng)，是每棵樹(shù)復(fù)雜度之和。fk 依舊表示的是第k棵樹(shù)的模型，T是每棵決策樹(shù)的葉子節(jié)點(diǎn)數(shù)目，ω是每棵樹(shù)葉子節(jié)點(diǎn)分?jǐn)?shù)，γ和λ代表著系數(shù)，用于保證葉節(jié)點(diǎn)分?jǐn)?shù)和葉結(jié)點(diǎn)個(gè)數(shù)不會(huì)太大。通過(guò)正則化的引入，防止了勾結(jié)樹(shù)的過(guò)程中過(guò)擬合的情況出現(xiàn)。

2.2 XGBOOST 重要性排名

其中X 是分類到每個(gè)葉節(jié)點(diǎn)的集合，Gainx 是每個(gè)節(jié)點(diǎn)的增益，Coverx 是每個(gè)節(jié)點(diǎn)上的樣本數(shù)目。

2.3 LSTM 模型

LSTM一共包含三個(gè)門(mén)控單元，即遺忘門(mén)，輸入門(mén)和輸出門(mén)。通過(guò)三個(gè)門(mén)更新參數(shù)和實(shí)現(xiàn)“記憶”功能，并通過(guò)引入“記憶細(xì)胞狀態(tài)”對(duì)其進(jìn)行長(zhǎng)期保存[8]。

LSTM狀態(tài)由圖1所示。

1） 遺忘門(mén)。遺忘門(mén)通過(guò)選擇性地拋棄上一時(shí)刻的數(shù)據(jù)，決定了上一時(shí)刻有多少信息可以保留在當(dāng)前時(shí)刻。其公式如下：

3 實(shí)證分析

3.1 實(shí)驗(yàn)流程與實(shí)驗(yàn)環(huán)境

1） 獲取目標(biāo)股票的金融指標(biāo)，通過(guò)XGBOOST重要性分析，求得這些金融指標(biāo)的排名。2） 選擇排名將靠前的十個(gè)指標(biāo)做成多組組合數(shù)據(jù)訓(xùn)練LSTM模型。3） 利用均方差等指標(biāo)對(duì)模型進(jìn)行評(píng)估，選出最佳的指標(biāo)組合，并通過(guò)最佳組合數(shù)據(jù)預(yù)測(cè)股票。4） 利用可視化分析工具對(duì)比最佳組合的預(yù)測(cè)值和真實(shí)值的差距。實(shí)驗(yàn)流程圖如圖2所示。本文選用Python3.7，Tensor?flow2.3.0，和Sklearn0.22.1的語(yǔ)言環(huán)境，通過(guò)交互式筆記本jupyter_notebook 實(shí)現(xiàn)編譯。操作系統(tǒng)是Win?dows10。硬件方面是10 代inter-CORE-i7 搭配一塊NVIDIA-RTX2060。

3.2 數(shù)據(jù)選取

Tushare是一個(gè)免費(fèi)、開(kāi)源的Python財(cái)經(jīng)數(shù)據(jù)接口包。主要實(shí)現(xiàn)對(duì)股票等金融數(shù)據(jù)從數(shù)據(jù)采集、清洗加工到數(shù)據(jù)存儲(chǔ)的過(guò)程，能夠?yàn)榻鹑诜治鋈藛T提供快速、整潔、和多樣的便于分析的數(shù)據(jù)。本次研究的金融數(shù)據(jù)依托于該接口包，通過(guò)對(duì)應(yīng)的API 采集了2017-8-1至2022-8-1的某股票5年1237個(gè)交易日的股票數(shù)據(jù)。在以往的研究中，研究者們希望通過(guò)修改算法提高股票預(yù)測(cè)的準(zhǔn)確率，在金融指標(biāo)的選擇上僅僅依賴常規(guī)五項(xiàng)指標(biāo)，即開(kāi)盤(pán)價(jià)，收盤(pán)價(jià)，最高價(jià)，最低價(jià)和成交量。本次研究通過(guò)金融接口直接提取和人工編程計(jì)算，在常規(guī)五項(xiàng)指標(biāo)基礎(chǔ)上，將金融技術(shù)指標(biāo)擴(kuò)展到42項(xiàng)。所有指標(biāo)匯總?cè)绫?所示。

3.3 數(shù)據(jù)歸一化處理

金融屬性取值范圍很大，若直接用于預(yù)測(cè)模型訓(xùn)練，程序運(yùn)行收斂很慢。通過(guò)歸一化處理，可加快收斂。具體的公式如下：

歸一化以后的數(shù)據(jù)雖然方便模型訓(xùn)練，但該模型預(yù)測(cè)的值也是歸一化的狀態(tài)，為了方便預(yù)測(cè)值和真實(shí)值比較，還要對(duì)預(yù)測(cè)值進(jìn)行反歸一化處理。具體公式如下：

其中，x 是真實(shí)值，x'是歸一化以后的值，max（x）和min（x） 分別代表最大值和最小值。y'代表歸一化的預(yù)測(cè)值，y 代表反歸一化后的預(yù)測(cè)值。

3.4 XGBOOST 特征選擇

以每日42個(gè)金融屬性作為輸入，第二日收盤(pán)價(jià)作為輸出構(gòu)建決策樹(shù)。借助于第三方庫(kù)XGBOOST下的feature_importances_方法對(duì)屬性打分。該方法首先借助GINI系數(shù)求得各個(gè)屬性重要性，再將所有重要性做歸一化處理，最后依據(jù)重要性對(duì)特征進(jìn)行排名。排名前二十的屬性如圖3所示。

其中對(duì)第二日收盤(pán)價(jià)影響最明顯的是前一日的最收盤(pán)價(jià)，五日均價(jià)，市銷(xiāo)率，流通市值，最低價(jià)和最高價(jià)。由圖可知，排名靠后特征對(duì)收盤(pán)價(jià)影響太小，本研究?jī)H保留排名前十的特征。通過(guò)累加屬性種類，將前十的屬性分為十組。如：第一組一個(gè)屬性，第二組兩個(gè)屬性，以此類推。將十組屬性分別投入到LSTM，通過(guò)預(yù)測(cè)結(jié)果對(duì)比找到最優(yōu)的金融屬性預(yù)測(cè)組合。

3.5 LSTM 模型構(gòu)造

首先需確定LSTM的輸入數(shù)據(jù)類型。本次研究將通過(guò)前5天金融指標(biāo)對(duì)第6日的收盤(pán)價(jià)進(jìn)行預(yù)測(cè)。原始的數(shù)據(jù)包含了一年內(nèi)所選股票1237個(gè)交易日的42個(gè)金融指標(biāo)，其張量的維度為（1237，42）。若將連續(xù)5天數(shù)據(jù)作為一個(gè)輸入單元，則整個(gè)數(shù)據(jù)輸入張量的維度變?yōu)椋?232，5，42），對(duì)應(yīng)的標(biāo)簽張量維度為（1232，）。所以，根據(jù)我們所選的屬性個(gè)數(shù)知道模型的訓(xùn)練數(shù)據(jù)張量維度為（1232，5，X），5代表前五天的數(shù)據(jù)，X代表所選擇的金融屬性個(gè)數(shù)。

整個(gè)股票預(yù)測(cè)模型采用了兩層LSTM和一個(gè)全連接層來(lái)構(gòu)造，每個(gè)LSTM層各有64個(gè)神經(jīng)元。為了防止過(guò)擬合的出現(xiàn)，每個(gè)LSTM層后面添加了一個(gè)失活率0.2 的Dropout 層。LSTM 層的激活函數(shù)選擇的‘relu’，優(yōu)化器選擇的是‘a(chǎn)dam’，損失函數(shù)選擇的是均方差‘mse’。

將排名前十的屬性分為十組，第一組包含排名第一的屬性所有數(shù)據(jù)，第二組包含排名前二屬性的所有數(shù)據(jù)，以此類推。將每一組數(shù)據(jù)放入LSTM 中，batch_size設(shè)置為32，每一組數(shù)據(jù)訓(xùn)練100次。

3.6 預(yù)測(cè)結(jié)果分析

本次實(shí)驗(yàn)通過(guò)MSE，MAE 和R2 作為模型好壞的評(píng)價(jià)指標(biāo)。三個(gè)評(píng)價(jià)指標(biāo)公式如下所示：

其中m 代表預(yù)測(cè)值數(shù)目，yi，yi 和yˉ分別代表真實(shí)值，預(yù)測(cè)值和平均值。其中MSE，MAE 越小預(yù)測(cè)誤差越小，R2越接近1說(shuō)明模型擬合效果越好。

用十組組合數(shù)據(jù)訓(xùn)練LSTM，每一組數(shù)據(jù)分別訓(xùn)練十次，取十次指標(biāo)的平均值作為該組的評(píng)測(cè)指標(biāo)。十組指標(biāo)如表2所示。

由表2可知在包含開(kāi)盤(pán)價(jià)，五日均價(jià)，市銷(xiāo)率和流通市值四個(gè)金融指標(biāo)的第四組數(shù)據(jù)訓(xùn)練結(jié)果中MSE值和MAE 值最小，且R2值最接近1。該組模型的預(yù)測(cè)效果最好。用第四組指標(biāo)預(yù)測(cè)數(shù)據(jù)并與真實(shí)數(shù)據(jù)進(jìn)行可視化分析，近三個(gè)月和近五年的對(duì)比結(jié)果如下圖4所示。

從上圖可知，近來(lái)三個(gè)月預(yù)測(cè)數(shù)據(jù)和真實(shí)數(shù)據(jù)略有偏差，但價(jià)格走勢(shì)基本一致。近五年的預(yù)測(cè)值走勢(shì)和實(shí)際價(jià)格走勢(shì)完全重疊。這表明用排名前四的金融指標(biāo)訓(xùn)練的LSTM模型對(duì)長(zhǎng)線交易有一定的指導(dǎo)作用。

4 結(jié)論

為了找到預(yù)測(cè)股票收盤(pán)價(jià)的最佳金融指標(biāo)組合，本文提出了一種結(jié)合XGBOOST和LSTM的股票預(yù)測(cè)方法。利用某股票五年的歷史數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明以前五日開(kāi)盤(pán)價(jià)，五日均價(jià)，市銷(xiāo)率和流通市值為組合的金融數(shù)據(jù)預(yù)測(cè)第六日的收盤(pán)價(jià)效果最好。因此本文提出預(yù)測(cè)方法對(duì)股民判斷股市價(jià)格變化有一定的作用。

本次研究的重心是尋找預(yù)測(cè)股票走勢(shì)的最佳金融指標(biāo)組合。雖然得出了有一定參考價(jià)值的結(jié)論，但還存在一些可進(jìn)一步研究的方向：

1） 本次研究未能對(duì)預(yù)測(cè)的LSTM參數(shù)進(jìn)行優(yōu)化。比如未曾通過(guò)優(yōu)化算法尋找適合本次算法的最佳神經(jīng)網(wǎng)絡(luò)層數(shù)和每層神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，而是直接地指定這些參數(shù)。在后續(xù)研究中，可以進(jìn)一步調(diào)整和優(yōu)化模型，使得預(yù)測(cè)結(jié)果更加準(zhǔn)確。

2） 這次使用的模型中未曾考慮市場(chǎng)情緒對(duì)股票的影響。在后續(xù)的研究中，可以嘗試加入股民的情緒因子作為輸入指標(biāo)幫助預(yù)測(cè)。這樣可以提高預(yù)測(cè)的精度和時(shí)效性。

3） 本次研究的模型，對(duì)于長(zhǎng)期走勢(shì)的判斷基本吻合，但短線的效果吻合度仍然不理想。