计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言随着经济的发展，全球金融体系的完善，全球股市的总市值已经越来越大。股市是最大的金融市场之一，对股票未来趋势的预测一直是学者们研究的热点，通过对股票趋势的准确预测可以获取更高的投资收益，具有实际意义［1］。然而股票的运动趋势存在着随机性，使其成为一个极具挑战性的问题。对股票运动趋势的研究可分为2类：个股预测和关联预测。个股预测仅依靠该股票本身的信息进行预测，而关联预测不止是使用股票本身的信息，还结合了该股票之外的多个股票信息进行预测，以提高预测的准确度。在以往的研究中，很多关于股票走势预测的方法都集中在个股预测，期望从独立的历史信息中捕捉到股票的运动模式，进而对未来趋势进行准确的预测。长短期记忆网络（LSTM）是一种经典的时间序列预测算法，文献［2］表明LSTM的预测效果优于传统的机器学习算法；文献［3］在LSTM中引入注意力机制将不同时间步关联起来，以解决LSTM在长时间序列预测方面的局限性；文献［4］通过引入对抗训练，增加数据的扰动，提高算法的鲁棒性，可以得到更好的预测效果。卷积神经网络（CNN）多用于图像识别领域，文献［5］提出一个基于CNN的算法框架用于预测股票趋势；文献［6］提出一种基于Transformer的HMG-TF模型，对股票短期趋势进行预测；文献［7］使用强化学习对投资组合进行有效的管理；文献［8］利用历史价格中的极端情况作为预测的依据。此外还有研究是结合一些外部数据，以提高预测的准确度，如文献［9］尝试结合该股票的历史数据和推特文本数据对股票走势进行预测。这些研究都是基于独立的股票信息进行预测，并不依赖股票与股票之间的联系。股票之间的涨跌是会相互影响的，如当股票同属于同一行业时，往往会呈现出类似的涨跌趋势；除此之外，同属于行业上下游的企业，企业间的经营状况也会相互影响，间接影响股票走势。许多学者通过图卷积的方式对股票间的联系进行研究［10-15］，建图时大多以股票为节点，股票之间的关系为边，而图的建立往往依赖于股票之间预定义的相关性［16-17］。文献［18］尝试用企业的行业关系进行建图，通过图卷积神基于深度学习的股票趋势预测算法周润佳（华南师范大学计算机学院，广东广州510631）文章编号：1006-2475（2023）01-0069-05摘要：针对股票趋势预测难的问题，提出一种利用CNN和LSTM进行特征提取，并结合注意力机制和对抗训练的股票趋势预测算法——AACL（AdversarialAt...
