摘要

股票走势预测是一项极具挑战性的任务：市场具有高度的随机性，且需从混沌的数据中进行具有时间依赖性的预测。针对这一问题，我们系统性地分析了上述三重复杂性，并提出了一种新颖的深度生成模型，该模型能够联合利用文本信息与价格信号实现预测。与传统的判别模型或主题建模方法不同，我们的模型引入了循环的、连续的隐变量，以更有效地建模随机性，并采用神经变分推断方法解决后验推断不可解析的问题。此外，我们设计了一种结合时间辅助项的混合目标函数，以灵活捕捉预测过程中的时间依赖关系。我们在自行构建的一个新的股票走势预测数据集上验证了所提模型的性能，结果表明其达到了当前最先进的水平。