A força-tarefa de resposta à crise usa rede de memória de longo prazo (LSTM) combinada com modelo vetorial autorregressivo (VAR) para realizar previsões de mercado
TSAI
Na complexa ecologia do mercado financeiro, vários eventos de risco ocorrem frequentemente, desde flutuações macroeconómicas a ajustamentos estruturais da indústria, as mudanças no ambiente de mercado trazem muitos desafios aos investidores e às operações empresariais. Para responder eficazmente a estes desafios, a plataforma TSAI estabeleceu uma equipa de resposta a crises. A equipa utiliza de forma inovadora a memória de longo prazo (LSTM) combinada com a autorregressão vetorial (VAR) para realizar previsões de mercado, fornecendo aos utilizadores da plataforma informações de mercado prospetivas e auxiliando na tomada de decisões.
1. Desafios enfrentados pelas previsões do mercado financeiro
O mercado financeiro é um sistema altamente complexo e em mudança dinâmica, e as suas tendências são afectadas por indicadores macroeconómicos (tais como crescimento do PIB, inflação, taxas de juro, etc.), tendências de desenvolvimento da indústria, ajustamentos às políticas e regulamentos, condições de micro-negócios das empresas e emergências. Esses fatores estão interligados e têm relações complexas, e os dados apresentam características não lineares, variáveis no tempo e outras. Por exemplo, durante a crise financeira global de 2008, o incumprimento dos empréstimos subprime dos EUA desencadeou uma reacção em cadeia, levando a flutuações violentas em vários mercados financeiros, tais como o mercado bolsista global, o mercado obrigacionista e o mercado cambial. Os modelos tradicionais de previsão linear eram difíceis de capturar as dependências complexas e as tendências de longo prazo, resultando em grandes erros nas previsões do mercado e incapazes de satisfazer as necessidades dos investidores e das empresas em termos de previsões de mercado precisas. Segundo as estatísticas, durante a crise, a taxa de erro na previsão da tendência do índice S&P 500 com base em modelos lineares tradicionais foi tão elevada como 30% - 50%, o que está muito além do intervalo aceitável e não pode fornecer uma orientação eficaz aos investidores.
2. Princípios e vantagens da rede de memória de longo prazo (LSTM) e do modelo vetorial autorregressivo (VAR)
(1) Rede de memória de longo prazo (LSTM)
Como uma arquitetura especial de Rede Neural Recorrente (RNN), o LSTM é projetado para resolver os problemas de desaparecimento e explosão de gradiente enfrentados pelo RNN tradicional ao processar dados de sequência longa, de modo a aprender e preservar efetivamente informações de dependência de longo prazo. Ele controla com precisão a entrada, a saída e a memória de informações, introduzindo um mecanismo de controle, incluindo portas de esquecimento, portas de entrada e portas de saída.
A porta de esquecimento determina quais informações são descartadas do estado da célula; a porta de entrada controla a adição de novas informações e a porta de saída gera a saída no momento atual com base no estado da célula; Essa estrutura exclusiva permite que o LSTM lembre-se seletivamente de informações importantes e ignore informações irrelevantes ao processar dados de séries de longo prazo, modelando assim de forma eficaz dependências de longo prazo em séries temporais. No processamento de dados do mercado financeiro, o LSTM pode capturar padrões de longo prazo, como tendências de mercado e mudanças sazonais. Tomando a análise das tendências dos preços do ouro como exemplo, ao treinar o modelo LSTM nos dados diários dos preços do ouro nos últimos 10 anos, descobriu-se que o modelo pode identificar com precisão a tendência sazonal de aumento dos preços do ouro em torno da época anual de pico do consumo de ouro (como o Festival da Primavera, Diwali na Índia, etc.), e tem boa memória e capacidades de aprendizagem para o impacto de factores macroeconómicos de longo prazo (tais como crescimento económico global, riscos geopolíticos, etc.) sobre os preços do ouro.
(2) Modelo vetorial autorregressivo (VAR)
O modelo VAR é um modelo de previsão de séries temporais baseado em dados que modela múltiplas variáveis endógenas como um sistema. Ele não distingue entre variáveis endógenas e variáveis exógenas, mas expressa cada variável como uma função linear dos valores defasados de todas as variáveis.
A vantagem do modelo VAR é que ele pode considerar simultaneamente a interação entre múltiplas variáveis sem pré-definir a relação causal entre as variáveis, e revelar a relação dinâmica entre as variáveis de maneira baseada em dados. No mercado financeiro, o modelo VAR pode analisar de forma abrangente os efeitos de ligação entre múltiplas variáveis financeiras, tais como preços de ações, taxas de juros e taxas de câmbio. Através da análise do modelo VAR de dados mensais dos últimos cinco anos, constatou-se que quando as taxas de juro sobem 1 ponto percentual, o índice de preços das acções cairá em média 2,5% nos próximos três meses, e a taxa de câmbio também flutuará em conformidade, proporcionando uma perspectiva abrangente para a previsão do mercado.
3. Aplicação combinada de modelos LSTM e VAR
A força-tarefa de resposta a crises da plataforma TSAI combina organicamente os modelos LSTM e VAR para aproveitar ao máximo as vantagens de ambos. Primeiro, o modelo VAR é usado para modelar múltiplas variáveis financeiras, capturar as interações instantâneas e as relações dinâmicas de curto prazo entre as variáveis e fornecer recursos de entrada ricos para LSTM. Estas características não apenas contêm as informações históricas de cada variável em si, mas também refletem a relação de mudança colaborativa entre elas.
Em seguida, a saída do modelo VAR é usada como entrada do LSTM, que processa profundamente esses recursos de entrada e explora dependências de longo prazo e padrões não lineares complexos. A saída do LSTM é usada como resultado da previsão do mercado e é usada para prever a tendência futura do mercado. Através desta combinação, não só tem em conta a interacção de curto prazo entre as variáveis, mas também capta a tendência de longo prazo do mercado, melhorando a precisão e fiabilidade das previsões de mercado.
4. Casos práticos de aplicação e avaliação de efeitos
Em aplicações práticas, o grupo de trabalho de resposta à crise seleccionou vários dados do mercado financeiro para análise empírica. Tomando o mercado de ações como exemplo, a equipe coletou o índice de preços de ações CSI 300, indicadores macroeconômicos (como taxa de juros de depósitos de um ano, taxa de inflação) e dados relacionados à indústria (como taxa de crescimento do lucro da indústria, número de ajustes de política da indústria) de janeiro de 2015 a dezembro de 2020. O modelo LSTM-VAR é usado para processar esses dados e comparado com um único modelo LSTM e um modelo VAR.
Os resultados mostram que o modelo LSTM-VAR tem um desempenho melhor do que um modelo único na previsão dos movimentos dos preços das ações. Em métricas de avaliação, como raiz do erro quadrático médio (RMSE) e erro médio absoluto (MAE), o erro do modelo LSTM-VAR é significativamente menor do que o de um modelo único. Ao prever a tendência do Índice Shanghai e Shenzhen 300 no próximo mês, o valor RMSE do modelo LSTM-VAR é 35,2 e o valor MAE é 27,5, enquanto o valor RMSE do modelo LSTM único é 48,6 e o valor MAE é 38,1; Isto mostra que o modelo LSTM-VAR pode capturar com mais precisão a tendência de mudança dos preços das ações. O seu erro é reduzido em cerca de 27,6% (indicador RMSE) e 27,8% (indicador MAE) em comparação com um único modelo LSTM, e em cerca de 32,7% (indicador RMSE) e 34,0% (indicador MAE) em comparação com um único modelo VAR.
Além disso, ao responder a eventos de risco inesperados, como o surto da epidemia de COVID-19 no início de 2020 e as flutuações violentas no mercado financeiro, o modelo LSTM-VAR pode capturar alterações anormais nos dados de mercado em tempo útil e emitir sinais de alerta precoce com antecedência. Com base em backtesting de dados históricos, o modelo emitiu um alerta de que o mercado poderia cair acentuadamente 1 a 2 semanas antes do surto. Com base nestes alertas precoces, os investidores podem ajustar as suas carteiras de investimento em tempo útil e as empresas podem formular estratégias de resposta antecipadamente para reduzir eficazmente as perdas de risco. Assumindo uma carteira de investimentos com um capital inicial de 10 milhões de yuans, se a alocação de ativos for ajustada a tempo com base no alerta precoce do modelo LSTM-VAR, a perda pode ser reduzida em cerca de 2 milhões de yuans durante a epidemia.
5. Perspectivas Futuras
À medida que os mercados financeiros continuam a desenvolver-se e a tecnologia de dados continua a avançar, o grupo de trabalho de resposta a crises da plataforma TSAI continuará a optimizar a aplicação combinada dos modelos LSTM e VAR. Por um lado, explorar ainda mais a forma de integrar de forma mais eficaz outras tecnologias avançadas de análise de dados, como o mecanismo de atenção na aprendizagem profunda, redes adversárias generativas, etc., para melhorar o desempenho e a adaptabilidade do modelo. Por outro lado, expande a aplicação de modelos em diferentes mercados financeiros e cenários de negócios, tais como mercados obrigacionistas, mercados cambiais, gestão de riscos, preços de activos e outros campos, para fornecer aos utilizadores da plataforma serviços de previsão de mercado mais abrangentes e precisos, e ajudá-los a desenvolver-se de forma constante em mercados financeiros complexos e em constante mudança.
A força-tarefa de resposta a crises da plataforma TSAI utiliza modelos LSTM e VAR para realizar previsões de mercado, o que é uma importante prática inovadora da plataforma no campo da tecnologia financeira. Através da otimização e expansão contínuas das aplicações do modelo, proporcionará aos participantes do mercado financeiro informações de mercado mais valiosas e promoverá o desenvolvimento estável do mercado financeiro.