上海交通大学研发的股市预测框架 —— StockMixer

StockMixer指的是什么

StockMixer是上海交通大学开发的一款用于股票价格预测的多层感知器（MLP）模型，它兼具简洁性和强大的预见性。该架构通过指标融合、时间序列处理和个股分析三个步骤来有效解析并预报股市数据，能够精准捕捉股票特征、市场时段及个别证券间的复杂交互作用。在时间维度上采用多层次的时间片段进行信息整合，在个股层面则依据整体市场的动态对单个公司的股价做出评估，从而提高了预测的精确度。StockMixer不仅降低了内存消耗和运算负担，还在多项股市基准测试中展现出色性能，优于众多前沿的预测技术。

StockMixer的核心特点

• 综合评估标准通过运用矩阵相乘技术和激活函数来仿真每支股票在不同时段内各项内部指标间的交互影响，从而提炼出有助于预测未来股价走势的关键隐含特性。
• 时间融合(Time Fusion)通过在多个时间段内交换信息以识别股票价格变动的趋势与规律，使模型能够跨越不同的时间范围抽取特性。
• 股票组合（Stock Combining）通过对整体市场环境、个别股票表现再到全市场的股市状况进行研究和仿真，更加稳固地构建出反映各股之间错综复杂联系的模型。
• 预估股价走势利用前述融合获得的特征表述，对下一交易日的收盘价格进行预测。

StockMixer的操作机制

• 多层次感知机（MLP）结构利用MLP模型，以线性的计算复杂度和简洁的结构来分析股票信息。
• 数据互换通过MLP架构在各个维度如指标、时间及股票间传递和交流信息，以提升模型的性能表现。
• 剩余链接与层级标准化通过运用残差链接来维持输入与融合特性间的均衡，并利用层规范化以减轻数据位移带来的影响。
• 多个时间段的层次划分通过划分时间序列至各种尺寸的区间，以捕捉各个时间段的独特属性。
• 股市对经济及经济对股市的相互作用利用两个MLP架构来捕捉潜在的股市状况，并运用这些状况对个别股票产生作用，从而仿真出股票间的关联性。
• 目标函数构建通过集成点回归与配对排序意识损失函数来提升模型性能，目标是最小化预估值与真实回报率间的平方误差差值，并确保具有较高期望收益的股票维持其原有的排序关系。

StockMixer项目的所在位置

• Git存储库：访问此链接以查看SJTU-DMTai团队的StockMixer项目 – https://github.com/SJTU-DMTai/StockMixer
• 科技文章在学术论文数据库中可以找到这篇特定文章的详细信息，其网络定位为 https://ojs.aaai.org/index.php/AAAI/article/view/28681。

StockMixer的使用场合

• 数量化投资分析借助StockMixer对股票价格波动进行预估，辅助量化投资策略的规划者设计交易方案，以期实现超出市场平均水平的收益。
• 风险控制：金融企业能够更有效地评价与管控其投资组合所面临的市场风险。
• 程序化交易在高频交易领域里，迅速预测股票价格以辅助算法交易平台及时作出购售决定。
• 优化资产配置投资经理通过调整投资组合来挑选具有较好前景的股票，或是规避可能存在的风险。
• 市场调研与分析专家们解析市场的走向，开展行业的对比分析，并探究个别事件如何作用于股价的变动。