基于生成对抗网络与Transformer注意力机制的股票价格预测系统

基于生成对抗网络与Transformer注意力机制的股票价格预测系统

1. 引言与相关工作

1.1 传统时序预测的局限性

股票价格预测是典型的非线性、高噪声、非平稳时间序列问题。传统的ARIMA、GARCH等统计模型难以捕捉复杂的非线性模式。LSTM虽然在一定程度上解决了长序列依赖，但其串行计算结构无法并行化，且在处理超长序列时仍会遗忘早期信息。

1.2 Transformer在时序预测中的优势

Transformer模型通过自注意力机制，允许序列中任意两个位置直接交互，解决了长距离依赖问题。但在金融数据中，仅使用均方误差（MSE）等监督损失容易导致“平均回归”，即预测结果过于平滑，难以捕捉价格的突变和波动。

1.3 GANs的对抗性增强

生成对抗网络（GAN）通过生成器（Generator）和判别器（Discriminator）的博弈，迫使生成器学习真实数据分布。在预测任务中，GANs可以弥补传统损失函数导致的结果过于保守的问题，使预测序列在统计特征（如波动率、峰度）上更接近真实价格序列。

2. 模型架构设计

本方案提出TAGAN（Transformer-based Adversarial Generative Network），架构如下：