應用卷積神經網路於股票時間序列進行股市修正之預測

Abstract

在2020 年初，由於Covid-19 的大流行，全球股票市場面臨了災難般地崩跌。這反映了即使處在看漲的「牛市」中，股票價格也隨時都可能崩盤。 在此研究中，我們希望透過避免未來的「價格修正」以獲取超額報酬，藉此改進「買入並持有」的投資策略。我們設計了「價格修正模型」，通過調整此模型的門檻值之組合，此標記演算法便可以精確地針對不同資產標記其「價格修正」。 接著，我們提出了一個2D GADF-CNN 模型以學習「價格修正」之間的共通規律。股票時間序列會先轉換為GAF 矩陣，再輸入到此模型中。在所有模型中，給定NASDAQ 指數最大的ETF－QQQ 之資料，CNN 模型在統計指標和回測報酬率上都表現最好。 最後，為了進一步測試我們模型的強健性，我們將其套用在TSM 和TSLA的資料上，分別為和QQQ 相似以及不相似的股票。2021 年1 至3 月的回測結果顯示，無論是直接對相似資料集進行遷移學習，亦或是針對相似與不相似的資料集微調「價格修正模型」的門檻值，我們的模型皆能習得有用的規律進而避開未來的下跌趨勢，最終得到超越「買入並持有」的投資報酬率。