当前位置：首页 > article >正文

金融市场中的时间序列预测：思考与方法

article 2025/3/31 13:04:13

1 序列预测中的因果关系：X 影响 Y，还是 Y 影响 Y

传统回归视角（X 影响 Y）
这一观点认为，股票市场的涨跌主要由一系列外部特征（X）决定，比如资金流向、基本面数据、市场情绪、行业热点等。一般来说，这种方法适用于静态或短期预测，例如利用 GBDT、XGBoost、随机森林等机器学习模型。
时间序列视角（历史 Y 影响 Y）
这一观点认为，股票价格存在自回归特性，即过去的价格（或技术指标）会影响未来的价格。这种假设适用于时间序列模型，如 ARIMA、LSTM、Transformer、Gated Recurrent Unit（GRU）等。

2 股票市场的复杂性：X 影响 Y，同时 Y 影响 Y

在股票市场中，X 和 Y 之间的关系并不是单向的，而是一个双向反馈系统：

第一步：外部因素（X）影响价格（Y）
资金净流入、经济数据、政策变化、市场情绪等外部因素会影响股价的涨跌。这种情况下，X 变量可以用 GBDT、XGBoost 等模型来捕捉。
第二步: 价格（Y）的变化会进一步影响投资者行为
股价形成某些 K 线形态（如突破、双底、头肩顶），会吸引技术交易者的关注，引发新的买卖动作。这里 Y 影响下一步的 Y，可以用时间序列模型（如 ARIMA、LSTM）来建模。
第三步：投资者的反应（市场情绪）又会反作用于股价
一只股票连续涨停，投资者会跟风买入，形成“强者恒强”的效应。这里 Y → Y 进一步强化市场走势，比如动量策略（Momentum Strategy）就是基于这种现象。

3 预测建模方法

结合 X 和 Y，构建混合模型

GBDT + LSTM（或 Transformer）混合模型
先用 GBDT 处理外部因子（X）对股价的影响。再LSTM/Transformer 捕捉股价自身的时间序列模式（Y 影响 Y）。这样既考虑了外部因子，又考虑了时间序列的影响。
ARIMAX模型/VAR
时间序列模型 ARIMA（AutoRegressive Integrated Moving Average）只能使用历史股价数据，而资金流（如主力资金流入、北向资金、成交量等）对股价的影响同样至关重要。因此，我们可以考虑使用 ARIMAX（AutoRegressive Integrated Moving Average with Exogenous Variables），它是 ARIMA 的扩展版本，允许引入外部变量（exogenous variables），使得 X 和 Y 共同影响未来的 Y 预测。

然而，ARIMAX 也存在一些局限性：

线性关系假设：ARIMAX 只能捕捉历史 Y 对未来 Y 影响的线性关系，而金融市场通常是非线性的。因此，像 LSTM 这样的深度学习模型往往更适合处理股市数据中的复杂非线性关系。

外部特征的可用性：如果需要预测未来连续几天的 Y，必须提供相应的外部特征（如成交量、市场情绪等）。然而，许多外生变量本身是未知的，必须进行填充。如果外生变量的波动较小，可以使用最近均值填充，但如果填充不准确，可能会显著增加模型的预测误差。

为了解决这一问题，我们还可以考虑使用 VAR（向量自回归）模型。VAR 是一种多变量时间序列建模方法，适用于变量之间存在相互作用的情况，例如股价、成交量和市场指数之间的动态关系。通过 VAR 进行建模，可以避免单独预测外生变量，从而提高整体预测的稳定性和准确性。
强化学习（RL）+ 量价因子建模

用强化学习（Deep Q-Learning, PPO）基于股价历史数据训练智能策略，动态调整交易决策。结合资金流动、市场情绪等因子，让 AI 自己找到 X 和 Y 之间的最佳决策点。