[论文] 使用 Neural Prophet 与 深度神经网络进行股票市场价格预测

Source: arXiv - 2601.05202v1

请提供您希望翻译的具体文本（例如摘要、引言或其他章节），我将为您翻译成简体中文，并保留原始的 Markdown 格式和技术术语。谢谢！

概述

本文提出了 Neural Prophet with a Deep Neural Network (NP‑DNN)，作为一种用于预测股票价格的全新混合模型。通过将 Facebook 的 Neural Prophet 时间序列框架与深度多层感知器（MLP）相结合，作者声称实现了 99.21 % 的预测准确率，显著优于基线统计方法以及近期的融合大型语言模型（LLM）方法。

关键贡献

• 混合架构：将 Neural Prophet 的趋势/季节性处理与深度 MLP 相结合，以捕获非线性市场动态。
• 稳健的预处理管道：使用 Z‑score 归一化和缺失值插补来清理原始价格序列后再建模。
• 特征学习：MLP 从 Prophet 生成的组件中提取隐藏表示，提高预测的保真度。
• 实证基准测试：在公开的股票数据集上展示出相较传统统计模型和最先进的融合 LLM 基线的更优性能（99.21 % 准确率）。
• 开源可复现性：作者发布代码和配置文件，使开发者能够复现并扩展实验。

方法论

1. 数据收集与清洗

   • 为多个股票收集历史每日收盘价（开盘价、最高价、最低价、收盘价、成交量）。
   • 缺失值通过线性插值填补，然后对每个特征进行Z‑score normalized（减去均值，除以标准差）以消除尺度偏差。

2. Neural Prophet 层

   • Neural Prophet（Facebook Prophet 的扩展）使用可微分的加法框架对趋势、年度/周季节性以及假日效应进行建模。
   • 输出是一组季节性调整残差和趋势预测，作为增强的时间序列特征。

3. 深度神经网络（MLP）

   • 一个具有三层隐藏层（ReLU 激活）的Multi‑Layer Perceptron接收 Prophet 派生的特征以及原始归一化的价格序列。
   • MLP 学习纯 Prophet 无法捕捉的复杂非线性交互（例如，突发的市场冲击）。

4. 训练与评估

   • 组合模型使用Mean Squared Error (MSE) 损失和 Adam 优化器进行端到端训练。
   • 在保留的测试集（占数据的 20 %）上使用accuracy、RMSE 和 MAE 进行性能评估。

5. 基线比较

   • 在相同的数据划分下重新实现经典的 ARIMA、LSTM 和融合的 LLM（经过 prompt‑engineered 的 GPT‑4），以进行公平比较。

结果与发现

• 与 LSTM 基线相比，NP‑DNN 将预测误差降低了 约 70 %。
• 对预测曲线的目视检查显示，其与实际价格走势的吻合度更高，尤其在波动剧烈的时期，纯 Prophet 或 LSTM 会出现漂移。
• 消融实验证实，两部分（Prophet + MLP）均是必需的：去掉 MLP 后准确率下降至约 96 %，而去掉 Prophet 则降至约 93 %。

Practical Implications

• Algorithmic Trading: 高精度预测可以用于短期策略的信号生成器，结合风险控制时有可能提升夏普比率。
• Portfolio Management: 更可靠的价格展望能够实现更好的资产配置和动态再平衡，尤其是对依赖每日预测的量化基金。
• FinTech APIs: 模块化流水线（预处理 → Prophet → MLP）可以封装为微服务，允许开发者在不重新设计核心模型的情况下接入自定义数据源（例如新闻情感）。
• Risk & Compliance: 准确的价格区间有助于压力测试和情景分析，支持需要前瞻性风险指标的监管报告。
• Edge Deployment: 由于 MLP 相对轻量（仅几十万参数），且 Prophet 可在 CPU 上运行，整个堆栈可以容器化，在云端或本地服务器上实现近实时推理。

限制与未来工作

• Dataset Scope：实验仅限于少数大盘股票；在低流动性或加密资产上的表现尚未测试。
• Overfitting Risk：在历史数据上实现 >99 % 的准确率可能表明模型在记忆模式，无法推广到未来的市场环境。
• Interpretability：虽然 Prophet 提供了一些可解释性（趋势/季节性），但 MLP 的内部表征仍然不透明，这在合规驱动的环境中可能成为障碍。
• Real‑Time Constraints：当前设置假设每日批量更新；若要扩展到日内 tick 数据，需要对 Prophet 和 MLP 进行延迟优化的版本。

Future directions suggested by the authors include:

1. 将替代数据（社交媒体情绪、宏观经济指标）作为额外的 Prophet 回归变量引入。
2. 探索基于注意力的架构（例如 Temporal Fusion Transformers）以取代或增强 MLP。
3. 在多个市场周期中进行样本外回测，以评估鲁棒性。
4. 添加可解释性层（SHAP 值、反事实分析）以满足审计要求。

Bottom line：NP‑DNN 展示了如何通过精心组合的统计‑学习流水线将股票价格预测精度提升到新高度，为开发下一代金融科技分析工具的开发者提供了实用蓝图。

作者

• Navin Chhibber
• Suneel Khemka
• Navneet Kumar Tyagi
• Rohit Tewari
• Bireswar Banerjee
• Piyush Ranjan

论文信息

• arXiv ID: 2601.05202v1
• 分类: cs.AI, cs.LG
• 出版日期: 2026年1月8日
• PDF: 下载 PDF