摘要
股价走势会被诸如宏观经济政策、公司经营状况、投资者情绪这些因素共同作用，呈现出非线性、非平稳性、低信噪比与长记忆性等特点，是一个极为复杂的动力学系统。有研究发现股价走能够预，精准预测可以支撑投资决策，对冲股市风险。股票预测方法可分为计量经济学法与软计算法。计量经济学模型包括AR、MA、ARMA与ARIMA等，基于软计算的模型则从过去的传统神经网络逐渐演化为深度学习方法。 已有深度学习研究还有少许缺陷：1）很多论文预测的数值而非走势；2）仅利用同一时间尺度信息，提取不到充分特征。本文打造了基于多时间GAN_BiLSTM模型预测股票走势，其中生成器为BiLSTM，鉴别器为CNN，使用长期和短期股价逐个对抗训练后将结果进行拼接获得最终的预测结果。选取2011—2021年沪深300指数、建设银行与山西煤炭股票数据为研究对象，使用四种基准模型作对比试验，经过试验后可以看到多时间尺度GAN_BiLSTM模型预测沪深300指数涨跌的准确率比其他模型均要高，为59.63%，且经过建设银行与山西煤炭股票数据验证发现本文提出的模型是稳定且有效的，从而我们可知多时间GAN_BiLSTM模型预测股票走势较为准确，该方法拓展了金融分析人员模型选用可选范围。 最后基于策略优化的强化学习建立量化交易回测试验发现使用本文提出的预测模型处理股票数据后以强化学习作为决策依据的方案在实盘的模拟上取得效果不错，年化收益率比基准收益高，经过验证发现本模型在平稳年份与不平稳年份均表现良好。
NETL