基于语义分割的股市长期趋势预测：深度学习新方法

市场金融预测是深度学习中的一个热门领域。深度学习模型能够解决股市数据中的经典挑战，例如极其复杂的动态性以及长期时间相关性。为了捕捉这些时间序列数据之间的时间关系，采用循环神经网络。然而，循环模型很难学习保留长期信息。卷积神经网络（CNN）已被用于更好地捕捉动态并提取短期和长期预测的特征。然而，语义分割及其设计良好的全卷积网络尚未用于时间序列密集分类。

我们提出了一种新的方法，利用完全二维卷积编码器-解码器来预测长期的每日股价变化趋势。我们生成包含T天的每日开盘价、最高价、最低价和收盘价的输入帧。目的是通过对当前价格帧的像素分类来预测未来的趋势。我们提出了一种分层CNN结构，使用Atrous空间金字塔池化（ASPP）块并在解码阶段考虑那些时间粗糙的特征堆对多尺度潜在表示进行多个价格帧的编码。我们的CNN的分层结构使其能够有效地捕捉长期和短期的时间关系。通过增加并行编码器的输入时间范围，我们研究了影响输出语义分割图的有趣且实质性的变化。

我们实现了在未来 20 天的联合趋势预测中的总体准确性和AUC分别为78.18％和0.88，超过了其他语义分割方法。所提出的框架的一个变化结果在预测下一天的四种价格趋势方面达到了83.19％，另一个变化则在第十天达到了88.14％，在 20 天时间范围内是最高的。最后，我们将提出的模型与几种专门设计用于技术分析的深度学习模型进行了比较，并发现对于不同的输出时间范围，我们提出的模型变化优于其他模型。