预测原理 - ICSFP

🎯 核心预测依据

ICSFP（Intelligent Causal Stock Forecasting Platform）基于以下多维度数据进行股票走势预测：

📰

社交媒体情绪

分析 Twitter 等社交平台上的股票相关讨论，提取市场情绪信号

📊

历史价格数据

利用股票的历史价格、成交量等技术指标进行时间序列分析

🔗

股票间因果关系

通过因果图发现股票之间的相互影响关系，捕捉市场联动效应

🧮

VMD 特征分解

使用变分模态分解提取价格序列的多尺度特征

                🔑 关键创新： ICSFP 的核心优势在于将因果推断与深度学习相结合，不仅学习历史模式，更能理解股票间的因果影响机制。
            

🏗️ 技术架构

1. 数据处理层

文本处理：使用 GloVe 词向量对社交媒体文本进行编码
时间序列处理：VMD（Variational Mode Decomposition）分解价格信号
特征工程：构建多模态特征向量（文本 + 价格 + 因果）

2. 因果发现层

Granger 因果检验：识别股票间的时序因果关系
因果图构建：生成股票关系网络（31×31 邻接矩阵）
图神经网络：利用 GCN/GAT 聚合相关股票信息

3. 预测模型层

循环神经网络：GRU/LSTM 捕捉时间依赖关系
注意力机制：动态加权重要时间步和特征
对抗训练：提高模型鲁棒性和泛化能力

社交媒体文本 → Word Embedding → GRU

↓

历史价格序列 → VMD 分解 → 特征提取

↓

因果图 → 图神经网络 → 关系建模

↓

多模态融合 → 注意力机制 → 分类器

↓

预测结果：UP (上涨) / DOWN (下跌)

📈 预测流程

输入数据收集：获取指定日期范围内的历史数据和文本信息
特征提取：
- 文本特征：GloVe 嵌入 + 情感分析
- 价格特征：VMD 模态 + 技术指标
- 因果特征：从因果图中提取相关股票影响
模型推理：深度神经网络前向传播计算预测概率
结果输出：
- 预测方向：UP（上涨）或 DOWN（下跌）
- 置信度：每个方向的概率值（0-1）
- 日期对齐：每个交易日的预测结果

🎓 模型训练

模型基于以下数据集进行训练：

数据来源：CIKM'18 股票数据集（Twitter + Yahoo Finance）
股票数量：88 只美股
时间范围：2017-2018 年度数据
训练目标：预测次日股票价格涨跌方向
评估指标：准确率（Accuracy）、MCC（Matthews相关系数）

                ⚠️ 重要提示： 当前版本可能使用示例模式（如果未加载训练好的模型），预测结果仅供参考，不构成投资建议。实际投资请结合多方信息谨慎决策。
            

🔬 研究基础

本平台基于以下学术研究和技术：

StockNet：结合文本和价格的股票预测框架
CUTS+：因果图引导的时间序列预测方法
Hedge Discriminator：对抗训练提升泛化能力
Granger Causality：时间序列因果关系检验
VMD：变分模态分解信号处理技术

⚙️ 技术栈

🔥

PyTorch

深度学习框架

🐍

Python 3.12

核心开发语言

🌐

Flask

Web API 框架

📊

Chart.js

数据可视化

🧠 预测原理与技术架构