品品科技|迎来TCN！股市预测任务是时候拥抱新技术了，告别RNN( 五 ) 编辑：魔王、陈萍本文介绍了TCN在股市

基线：

文章图片
使用不同输入的基线模型。第一列中，前缀WB表示词嵌入， EB表示事件嵌入， PV表示股价向量， KD表示知识驱动。注意， eventembedding^(a)和eventembedding^(b)分别表示不具备/具备KG的事件嵌入。
4.3预测评估
KDTCN的性能评估基于以下三个方面：1）基础TCN架构的评估；2）不同模型输入对TCN的影响；3）基于TCN的模型对股市趋势突变的预测性能。
基础TCN架构：

文章图片
在道琼斯工业平均指数数据集上，不同基础预测模型的股市趋势预测结果。
TCN在股市趋势预测任务上超过其他基线模型，不管是传统的机器学习模型(ARIMA)还是深度神经网络（如LSTM和CNN），这说明TCN在序列建模和分类问题上有更明显的优势。
不同模型输入：

文章图片
在道琼斯工业平均指数数据集上，不同输入的TCN模型的股市趋势预测结果。
可以看出， WB-TCN和EB-TCN的性能都超过TCN ，这表明文本信息有助于改进预测结果。
KDTCN获得了最高的准确率和F1得分，这说明模型输入集成结构化知识、金融新闻和股价信息是有效的。
模型对股市趋势突变的预测性能：

文章图片
基于局部道琼斯工业平均指数数据集（股市趋势突变），不同输入的模型的股市趋势预测结果。
可以看出，使用知识驱动事件嵌入输入的模型（如KDEB-TCN和KDTCN）性能大大超过基于数值数据和文本数据的模型。这些对比结果说明，知识驱动的模型对于股市突变能够做出更快的反应。
那么，如何量化股市波动程度呢？
首先，通过识别两个邻近股票交易日的波动程度D_(fluctuation)获取股市突变的时间间隔：

文章图片
其中时间t处的x表示股票交易日t的股票价格。波动程度的差异C被定义为：

文章图片
如果|Ci|超过特定阈值，则可以认为在第i天，股票价格突变。
4.4解释预测结果
为什么知识驱动事件是不具备ML专业知识的人识别股市突变的常规来源？这可以从两个方面进行解释：1）将知识驱动事件对突变预测结果的影响可视化；2）将知识驱动事件链接至外部KG ，进而检索事件的背景事实。
将知识驱动事件的影响可视化：
下图中的预测结果显示道琼斯工业平均指数趋势将下降。注意图中同色长条表示相同的事件影响，长条的高度反映了影响的程度，事件的流行性自左向右下降。直观来看，具备更高流行性的事件对股市趋势突变预测应有更大的影响，但事实并不总是如此。

文章图片
事件对股市趋势预测的影响示例。
几乎所有负影响事件都与这两个事件有关，如(BritishPound,drops,nearly5%)和(NorthernIreland,callsforpollonUnitedIreland) 。
尽管一些事件对预测股市趋势上涨有着积极影响也具备高流行性，但整体影响仍是负面的。因此，股票指数波动出现突变可被视为事件影响和事件流行性的共同结果。
事件元组链接至KG后的可视化结果：