来源：Bao & Morimoto (2025), “High-frequency stock price prediction via deep learning”, Machine Learning with Applications 21, 100716
研究动机#
- 高频交易数据（秒/毫秒级别）体量大、传统回归方法受限
- 有效市场假说（EMH）面临挑战，深度学习用于探索股价预测性
核心方法：时间序列 → 图像#
GASF（Gramian Angular Summation Field）#
将一维时间序列转换为二维图像的编码方法：
- 归一化：将时间序列缩放到 [-1, 1]
- 极坐标转换：值 → 角度 arccos(x)，时间戳 → 半径
- Gramian矩阵：GASF[i][j] = cos(φᵢ + φⱼ)，生成对称矩阵
- 热力图：矩阵值映射为颜色 → GASF图像
优势：保留时序依赖、与CNN架构高度兼容
局限：无法区分数据是上升还是下降趋势
双色 GASF（创新点）#
- 上涨时段（收盘>开盘）：使用 “coolwarm” 色图
- 下跌时段（收盘≤开盘）：使用 “viridis” 色图
- 相比单色 “rainbow” 方案，准确率显著提升（Welch t-test p=8.11×10⁻⁵）
数据与实验设计#
- 标的：日本 TOPIX 指数（东证指数），1秒间隔数据
- 图像生成：每分钟60个数据点 → 1张128×128 GASF图像，共9834张
- 时间跨度：2021年1月-2月，33个交易日
预测任务#
| 任务 | 窗口 | 标签定义 |
|---|
| 1秒预测 | T分钟末 0秒 vs 59秒 | 上涨→1，下跌→0 |
| 1分钟预测 | T+1分钟末 vs 初 | 同上 |
训练设定#
- 训练集17天、验证集5天、测试集2天
- 滚动预测10轮，每次滑动1天
- 每个模型从头训练，无参数共享
模型对比#
| 模型 | 输入 | 描述 |
|---|
| ResNet101（图像） | GASF 图像 | 4阶段，共101层，Dropout=0.5 |
| LSTM | 1D时间序列 | 双层LSTM(128→64)，Dropout=0.2 |
| ANN | 1D时间序列 | 5层全连接(256→128→64→32→16) |
| 1D-CNN | 1D时间序列 | 3个卷积块 + 残差连接 |
实验结果#
1秒预测#
| 模型 | 准确率（中位数） | F1-score |
|---|
| ResNet101 | ~60% ✅ | 最高 |
| LSTM | ~55% | 中等（有离群值） |
| ANN | ~52% | 较低 |
| 1D-CNN | ~52% | 稳定但偏低 |
ResNet101 与 LSTM 的 Welch t-test：t=5.37, p=6.21×10⁻⁵，差异显著
1分钟预测#
| 模型 | 准确率 | 特点 |
|---|
| LSTM | 最高 ✅ | 门控记忆机制，长时序稳定性强 |
| ResNet101 | 下降明显 | 图像方法对长窗口预测受限 |
| ANN / 1D-CNN | 较差 | |
关键发现#
- ResNet101（图像法）在超短期（1秒） 预测中表现最优
- LSTM在长窗口（1分钟） 预测中更稳健
- 双色GASF相比单色方案准确率提升约4~9%
- 建议多模型组合：ResNet检测秒级异常触发交易，LSTM提供分钟级趋势信号
传统时序模型对比#
| 模型 | 特点 | 适用场景 |
|---|
| ARIMA | 经典统计，短期预测尚可 | 低频、平稳数据 |
| GARCH | 波动率建模 | 风险管理 |
| ML（RF/SVM） | 非线性拟合 | 中低频 |
| LSTM/GRU | 长时序依赖 | 高频到中频 |
| 1D-CNN | 局部模式提取 | 特征模式明确时 |
| GASF+ResNet（本文） | 图像编码+CNN，超短期突出 | 秒级高频预测 |
局限与挑战#
- 图像转换存在信息损失（无法区分涨跌 → 双色方案解决部分）
- 计算成本高（图像生成 + 深度CNN）
- 时序长度有限（仅33天数据）
- 实际交易需考虑延迟约束和可解释性
