利用多模态深度学习预测收益公告日的股价走势

方法

问题建模

定义任务为事件驱动的价格走势预测，依据财报发布（EA）前30天多模态时序序列X预测EA后价格方向y（y∈{0（涨）, 1（跌）, 2（平）}）

数据集构建

整合金融新闻与企业基本面数据，新闻源于 Markets API 并处理（解析时间戳、去重、按代码排序）。企业基本面从 FactSet 取数，选样本期初市值前 500 家美企，计算标准会计比率。合并各组件成统一数据集，序列化后用于后续处理与建模。

特征工程与数据表示

为捕捉股票市场多面性，构建含企业基本面、市场动态和新闻情绪三种模式的异质特征空间。为每个股票构建每日时间序列，观测值代表每日市场状态，最终特征向量维度 d = 21，包括：企业基本面（d f = 15，如净利率、净资产收益率等季度和年度指标）、市场动态（d m = 3，调整收盘价及两个短期动量技术指标）、新闻情绪（d n = 3，用 FinBERT 处理金融新闻文章，多文章时取平均）。为评估情绪影响，还仅用基本面和市场特征训练所有模型。

数据预处理

金融数据稀疏和缩放差异通过三步解决：

时间插补：用前向填充（FFILL）处理周末和假期数据，假设状态平稳至下一个交易日。

横截面插补：用均值插补处理稀疏基本面指标，维持特征密度且避免引入特殊偏差。

特征缩放：所有特征进行z-分数标准化（µ = 0，σ = 1），确保基于梯度优化的稳定性，防止大尺度特征主导损失函数。

目标定义与失衡

目标变量 y 由盈利公告日（或盘后公告则为下一个交易日）的证券调整收盘价 P_EA 与前一交易日价格 P_EA−1 计算每日收益率 R 得出，设分类阈值 τ = 3% 得到三分类目标 y∈{0,1,2}。

标签高度不平衡，中性类约占 67%，采用加权交叉熵损失 L 缓解，权重 w0, w1 ≥ w2。

模型架构

评估用于捕捉 21 维特征空间时间依赖的 LSTM 和 Transformer 深度学习模型，并与逻辑回归基线比较。

基线

以多项逻辑回归分类器作非时间基线，将30天输入窗口每日观测值拼接成30×d固定长度向量，用lbfgs求解器和类别平衡权重训练模型，为评估显式时间建模优势提供线性参考。

LSTM

实现2层堆叠LSTM，隐藏维度64、dropout率0.5，依次处理每日特征向量 x_t ∈ R~d，将最终隐藏状态传入全连接softmax层输出类别概率。

Transformer

为放宽严格顺序处理的归纳偏差，采用Transformer编码器架构。评估自注意力机制捕获全局时间模式的能力，而非将其视为循环模型的绝对改进。模型用多头自注意力捕获30天预公告窗口的依赖关系，通过正弦位置编码保留时间顺序。配置为2个编码器层、4个注意力头、前馈维度256。最终编码器块后进行全局平均池化，接全连接分类头，可联合建模多特征，适用于有限数据。

实验

实验设置

使用 Adam 优化器，学习率 5·10⁻⁵，批大小 8，通过 15 个训练周期和 0.5 丢弃率正则化。用与金融决策相关指标评估模型，报告 Precision 评估可操作信号可靠性，用 Macro-F1 确保跨不平衡类别的平衡性能。

引入自定义成本指标，UP ↔ DOWN 误分类成本为 3，其他错误成本为 1，以反映特定领域风险偏好。

混淆矩阵和错误分析

图1展示含情感特征的三个模型的混淆矩阵，完整的六个模型变体（含/不含情感）的更大混淆矩阵见附录A。

逻辑回归基线决策不稳定，偏向预测UP，导致大量UP↔DOWN误判，虽Macro-F1与深度模型相近但实用性受限。

LSTM策略保守，多预测为NEUTRAL，减少方向误判、成本最低，但对波动事件敏感度低，Macro-F1得分低。

注意力模型预测分布更均匀，识别UP和DOWN事件多于LSTM，提高敏感度，但方向误差和金融风险增加。

表现对比

模型表现：Attention模型Macro-F1得分最高，对盈利相关波动敏感度高；LSTM最小化金融风险，保守预测使定制成本最低；逻辑回归因频繁方向误分类成本最高。

特征影响：去除情绪特征使所有模型表现变差，LSTM受影响最明显，表明情绪信息对深度序列模型有稳定作用。

结论：存在敏感度与风险控制的权衡，LSTM重稳定和成本最小化，自注意力提升对价格波动检测但方向风险更高

讨论

研究结果揭示了收益公告预测中保守与敏感建模策略的权衡：

LSTM 偏向中性类，精度高、关键方向误差少，但易错过波动事件。

基于 Transformer 的模型对预公告信号更敏感，能捕捉更多价格变动，但误报率和方向风险高。

逻辑回归基线决策策略不稳定，虽 Macro-F1 与深度模型相当，但常产生高成本方向误差，说明线性模型不足以捕捉收益数据的复杂交互。

消融研究表明去除情绪特征会降低所有模型性能，尤其增加方向误差，说明新闻情绪提供补充信息，稳定预测。

模型选择取决于目标应用，风险规避策略可选 LSTM，追求波动策略可选 Transformer，但二者均受有限数据和金融市场噪声限制。