ReVol：基于收益-波动归一化的股票价格数据准确预测，IC 提升超 0.03，SR 提升超 0.7

“Mitigating Distribution Shift in Stock Price Data via Return-Volatility Normalization for Accurate Prediction”

【 扫描文末二维码加入星球获取论文，源码 】

摘要

现有股票价格预测方法难有效处理分布偏移问题。本文提出 ReVol 方法，采用三策略缓解偏移：归一化价格特征、用注意力模块准确估计特征以减少市场异常影响、将样本特征重新融入预测过程；结合几何布朗运动与神经网络。实验表明，ReVol 多数情况下提升了现有骨干模型性能，IC 平均提升超 0.03，SR 平均提升超 0.7。

简介

分布偏移是股票价格预测的关键挑战，现有方法难以有效应对，存在未明确缓解样本分布差异、未对齐分布形状、增加模型复杂度却未解决偏移等问题。

本文提出ReVol，通过归一化个股特征解决分布偏移：去除样本特定属性，用注意力加权平均估计特征，再将特征重新融入预测流程。ReVol解决分布偏移，统一GBM和神经网络结合长短期模式，实验表明其提升了现有模型性能，缩小了训练和测试数据的分布差距。

相关工作

几何布朗运动

几何布朗运动（GBM）是流行的股票价格动态模型，用于期权定价和投资组合优化等金融任务，假设股票价格对数遵循带漂移的布朗运动。

GBM中，股票价格 St 的连续时间模型为

离散时间模型为

其中 ϵt∼N(0,1) ，不同时间点的 ϵ 相互独立。

原假设认为未来股价不可由过去股价预测，现放宽该假设以学习历史依赖关系。

基于深度学习的股票价格预测

随着深度神经网络发展，有利用循环神经网络预测股价、用注意力机制提升基于RNN模型性能、用GCN或Transformer架构利用股票相关性的尝试，但这些方法难解决分布偏移问题，本文聚焦缓解分布偏移而非单纯学习表征。

处理分布移位的方法

分布偏移是时间序列分析关键问题，RevIN和Dish-TS通过实例归一化均衡样本分布参数，但金融时间序列非正态分布，均衡均值和标准差后样本分布形状仍因高阶特征不同；也有检测股市时间序列分布偏移并适应市场条件的方法，但依赖表示空间自适应，增加模型负担且未明确解决分布偏移；本文旨在使各样本分布相同以解决偏移问题，提高股价预测准确性。

方法

概览

问题定义：给定从第 (T - w + 1) 天到第 (T) 天的历史开盘、最高、最低和收盘价，预测第 (T + 1) 天的收盘价。

面临挑战：

• 股票价格数据存在分布偏移，现有方法未对齐分布形状。

• 外部冲击使股价异常，难以准确估计真实分布。

• 移除样本特征会中断准确预测，需重新整合。

ReVol解决方案：

• 收益-波动率归一化：用样本特征归一化输入数据，消除分布差异，得到历史误差项作为神经网络输入。

• 收益-波动率估计器：用带注意力权重的加权平均计算收益和波动率，减少异常值影响，精准估计样本特征。

• 骨干网络与收益-波动率反归一化：用骨干网络预测未来误差项，用样本特征反归一化得到最终预测，恢复丢失的样本特征。

模块对应：

• RVN模块：归一化历史股价生成误差项，消除分布偏移。

• RVE模块：用注意力机制准确估计样本特征。

• RVD模块：对骨干网络预测的误差项反归一化，输出最终价格预测。

收益-波动率归一化

受GBM启发，提出RVN模块减少分布差异，将截至第 𝑇 天的 𝑤 天历史股价 𝑆 归一化为输入 𝜖 供骨干模型使用，因误差项跨样本分布相同，骨干模型不受分布偏移影响。

以某股票两个时期表现为例，首阶段股价100 - 120，日回报均值0.02、标准差0.05；次阶段股价60 - 80，日回报均值 - 0.01、标准差0.12。若不做归一化，模型训练与测试时会遇回报分布及价格尺度的显著偏移。经回报 - 波动率归一化，两阶段日回报分布相同，助骨干网络学习稳定预测模式。

为使股价按样本特征归一化，先明确GBM中样本特征为回报、波动率和价格规模，放松独立性假设，通过构建含误差项的输入消除分布差异。

先在3.2.1节简述样本特征估计过程，再分别在3.2.2 - 3.2.4节介绍收盘价、开盘价和最高/最低价的归一化方法。

3.2.1回报和波动率估计：用基于注意力的RVE模块估计回报和波动率。

3.2.2收盘价归一化：通过对对数日回报归一化得到误差项，其服从标准正态分布，用它替代收盘价作训练特征。

3.2.3开盘价归一化：简单应用公式不能捕捉开盘与收盘价关系，提出将开盘和收盘时间映射到连续时间轴，计算能体现两者关系的误差项。

定义：设 S_t 为连续时间轴 上 t 时刻股价，t 为第 t 天收盘时间，、、 分别对应第 t 天开盘、最高、最低价。

开盘价：开盘价 S_{t - 1 + r}。因盘后交易，r 不能设为 0，需基于股价几何模型假设，通过最小化均方误差估计 r。

3.2.4最高最低价：无法用前一天最高价或类似开盘价方式归一化最高价，定义 来归一化。

简化方程（7），忽略漂移项，因其在日尺度上贡献比波动项 σBu 小，通过近似比值分布，发现美、中、英、韩多数情况下该比值小于15。

得到

因 分布与样本无关， 分布跨样本一致。

以同样方式对最低价归一化，得到 分布跨样本一致。

收益-波动率估计器

RVE用于从历史股价估计样本特征，即回报和波动率。股价受外部冲击产生临时波动，使数据有噪声，难以准确估计分布参数。

简单方法通过算术平均估计参数，但易受异常值影响。提出用基于注意力权重的加权平均灵活处理异常。

注意力模块结构：用注意力LSTM生成查询和关键向量，先通过全连接层变换价格特征向量，再将变换后的特征向量输入LSTM得到隐藏状态向量，最后计算注意力权重。

骨干网络与收益-波动率反归一化

神经网络骨干网络 f_θ以历史股价归一化误差项 , ，， 为输入，输出预测的未来误差项 ，这些误差项由RVN模块生成，分布相同，可缓解分布偏移。

骨干网络可采用LSTM、GRU、Transformer变体等时间序列预测模型，使ReVol利用其优势并控制分布偏移。

RVD模块将预测的未来误差项反归一化，生成最终预测，通过用预测误差项替换GBM中的BM部分，重新整合归一化中丢失的样本特征信息。

GBM因未来价格与过去价格独立假设无法预测未来价格，ReVol消除该假设并替换BM部分获得预测能力，兼顾历史误差项学习模式和样本特征反映的价格动态。

损失函数

最终损失函数用于优化骨干模型参数 𝜃 和 𝑅 𝑉 𝐸 模块参数 𝜙，由每日回报预测的 MSE 损失和增强 𝑅 𝑉 𝐸 鲁棒性的引导损失两部分组成，可实现端到端训练， 𝛽 控制引导损失效果，算法 1 展示训练过程。

实验

ReVol的实验研究问题：

1）性能：是否在股价预测上优于先前方法；

2）与其他归一化方法比较：应对股价数据分布偏移的效果；

3）超参数敏感性；

4）注意力权重的噪声感知行为：RVE模块注意力机制是否有效抑制噪声输入；

5）消融研究：各模块是否有助于提升股价预测性能。

实验设置

数据集：美、中、英、韩股市数据。数据集按时间顺序 70% 训练、10% 验证、20% 测试，目标是根据截至 𝑇 日的价格特征预测 𝑇+1 日的每日回报。

数据归一化：采用价格比率归一化方法生成输入向量，不同竞争对手的归一化方法见表格。

基线模型：LSTM、GRU、ALSTM、Vanilla Transformer、DTML、MASTER用于股价预测。

评估指标：IC、RIC评估股价预测；年化夏普比率（SR）评估投资组合表现。

超参数：用Adam优化器，基于验证集IC提前停止，对学习率等多个参数在指定集合中搜索。

结果

ReVol在各骨干模型和指标上提升表现，平均使IC提升超0.03、SR提升超0.7，增强预测准确性和盈利能力。

ReVol提升模型在不同市场条件下的稳定性与泛化能力，在多主干模型上实现持续收益，对分布变化的鲁棒性使其成为实用且可扩展的金融预测方案。

与其他归一化方法的比较

Table 5对比ReVol与RevIN、Dish-TS性能，三者以DTML为骨干模型，ReVol在各市场IC和SR上持续提升，优于其他方法。

图1显示ReVol能精准对齐训练集与测试集分布形状，减少分布差异；还能保留特征间相关性，使预测更准确稳定。

Table 6给出经验证据：注意力机制会降低嘈杂观测的权重，展示了皮尔逊相关系数、注意力权重及嘈杂与正常输入注意力权重的比率等内容。

超参数敏感度

图4对比ReVol（以DTML为骨干）和独立DTML对四个关键超参数的敏感性。DTML对超参数敏感，性能不稳定，信息系数（IC）波动大，尤其在窗口大小和权重衰减设置时；而ReVol在所有超参数设置下都能保持高IC值，因其能缓解分布偏移，减少过拟合，提高泛化能力，使模型更稳健，对超参数微调依赖小，在不同训练条件下性能更可靠一致。

注意权重的噪声感知行为

Table 6显示ReVol会降低高收益幅度时间步的注意力权重，抑制因外部冲击致股价暂时偏离真实分布的噪声输入。通过两项分析量化：一是各市场绝对收益与注意力权重的皮尔逊相关系数为负；二是噪声与低噪声时间步的注意力比率小于1。这源于ReVol的优化动态，训练时为最小化损失，模型通过反向传播惩罚分配给噪声输入的高注意力权重，隐式过滤噪声。

消融分析

分析以 DTML 为骨干的 ReVol 及其移除三个主要模块的变体性能：

• ReVol-N：无收益-波动率归一化；

• ReVol-E：无收益-波动率估计器；

• ReVol-D：无收益-波动率反归一化。

各模块均提升预测性能，含三模块的 ReVol 效果最佳。RVN 模块贡献最大，可解决股价数据分布偏移问题，通过归一化输入数据减少样本分布差异，稳定输入分布，利于特征学习。

总结

本文提出 ReVol 方法缓解股价数据分布偏移，主要思路：一是归一化价格特征消除分布偏移；二是用注意力模块精准估计样本特征以减少市场异常影响；三是将样本特征重新融入预测恢复信息。此外，结合几何布朗运动与神经网络建模，提升了多数场景下骨干模型性能，改善预测准确性与稳定性。

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。