基于TBA融合模型的股票指数预测

由于股票市场的波动性和复杂性特点,股指预测一直是金融预测研究中的难点．长短期记忆（long short-term memory, LSTM）网络模型常用于金融指数的预测中,但该模型在长时间序列上易导致数据信息利用不充分．利用双向长短期记忆（bidirectional LSTM, BiLSTM）网络模型、时间卷积网络（temporal convolutional network, TCN）和注意力机制协同提高了模型识别以及提炼长时间序列数据特征的能力,构建一种新型股指预测融合模型TCN-BiLSTM-attention（简称TBA模型）．以中国境内近30年的公开股指数据集为例,将TBA模型与目前金融类主流的机器学习、神经网络预测算法以及kaggle竞赛排行前列的模型在上证指数、沪深300指数与创业板指数进行预测对比和消融实验．结果显示,相较于对照实验组的平均预测误差,TBA模型有明显降低且表现稳定,兼具准确性与鲁棒性．研究结果可广泛用于基于时间序列的多种金融预测场景．