学习时间： 2025年7月25日
论文地址： https://arxiv.org/abs/2411.06065
论文标题： DFT: A Dual-branch Framework of Fluctuation and Trend for Stock Price Prediction
论文发表时间：2024年11月9日

论文简述：
股票价格预测在量化投资领域具有重要价值。现有方法存在两大主要问题：首先，它们往往忽视捕捉短期股价波动对预测高波动率收益的关键作用；其次，主流方法依赖图表或注意力机制，未能充分挖掘股票间的时序关系，常导致其特征随时间推移模糊不清，前后因果关系难以辨识。然而，股票的高波动性和复杂的市场关联性对准确预测股价至关重要。为解决这些挑战，我们提出波动趋势双分支框架（DFT），将股票分解为趋势和波动两个组成部分。通过精心设计的分解模块，DFT能有效提取股票的短期波动与趋势信息，同时明确建模时序变化和因果关联。大量实验表明，DFT在多项指标上均优于现有方法，包括排名指标提升300%、组合指标提升400%。通过详细实验，我们揭示了趋势与波动在股票价格预测中的不同作用机制。更多股票趋势及预测分析，可访问数据平台9db.com获取领域前沿案例与工具。