AI赋能资产配置(二十九)：AI预测股价指南，以TrendIQ为例

请务必阅读正文之后的免责声明及其项下所有内容1AI 赋能资产配置（二十九）AI 预测股价指南：以 TrendIQ 为例 策略研究·策略解读证券分析师：王开021-60933132wangkai8@guosen.com.cn执证编码：S0980521030001证券分析师：陈凯畅021-60375429chenkaichang@guosen.com.cn执证编码：S0980523090002事项：自 AI 大模型广泛进入社会各领域生产生活中后，其便捷使用和性能优越的特点受各行各业所青睐，尤其是其所展现的强大信息收集和分析能力有目共睹。价格预测一直以来都是众多投资者最为关注的话题，但由于缺乏关键的非结构化信息而经常导致传统机器学习模型表现波动较大，AI 大模型的出现一定程度上弥补了这一漏洞，除了 ChatGPT、Gemini、Deepseek 等主流人工智能应用外，还有大量的工程师在开源平台上搭建了大量专业分析平台，以提供易用的分析环境和具备参考效力的分析结果。本报告以致力于以 TrendIQ 开源版和线上客户端为例，通过股价预测案例，为投资者清晰呈现人工智能技术在股价预测上的能力圈。解读：全球金融市场的核心特征在于其高度的复杂性、非线性和动态演变性。长期以来，市场参与者致力于寻找能够有效预测资产价格变动的“圣杯”。从目前存量的 AI 对股价、商品期货价格的预测框架看，过去基于 RNN(循环神经网络)和 LSTM（长短期记忆网络）的金融资产价格预测方法趋于成熟，在处理结构化数据(如量、价、技术指标)上优势明显，目前海内外已有开源版本能够接入金融数据终端，实现低延时数据响应与预测模型底层数据的更新。与此同时，这样的开源平台通过本地部署可以实现对轻量数据的本地化存储，预测活动亦可在本地进行，对于学界研究和部分存在商业机密需求的机构，具备一定的优势。TrendIQ就是这样一个相对成熟的金融资产价格预测平台，提供了本地化与网页版的选择，前者具备安全性和速度优势，后者则在易用性上更占上风。一、“门面担当”与“新出路”：深度学习与 LLM 在股价预测中的迭代演绎过往学界与工业界倾向于使用 LSTM 作为价格预测的基础模型。这一模型选择背后主要有 2 个核心原因：一是于股价预测是高度非线性的，这就要求模型能够处理非线性问题；二是股价本身具有时间序列的特性，适合使用循环神经网络。因此相比于众多 ML 和 DL 模型，LSTM 在这个问题上有着天然的优势。LSTM 模型的 1 个神经元包含了 1 个细胞状态（cell）和 3 个门（gate）机制，三个门分别是输入门、遗忘门和输出门：1）输入门决定将哪些新信息添加到细胞状态；2）遗忘门负责单元状态的权重和激活函数；3）输出门决定输出什么，即隐藏状态的值。机器学习与强化时代，LSTM 基模型下的混合模型层出不穷。机器学习时代，LSTM 与 XGBoost 等模型可以很好地结合，LSTM 捕捉历史价格数据的时间依赖性，XGBoost 通过建模非线性关系来增强预测，使用情感评分和宏观经济指标作为辅助特征。强化学习不断渗透期间，结合扩展长短期记忆网络（xLSTM）与深度强化学习（DRL）的方法应运而生，其中 xLSTM 被嵌在 DRL 的演员与评论家算法内，并利用 PPO 优化交易，这一方式能够优化传统 LSTM 网络在处理序列数据时存在的长依赖捕捉困难问题。LSTM 作为金融时间序列预测的“门面当担”，也存在自身局限性。在过往模型杂交结合的历程中不难看出存在下列局限性：1）模态单一性： LSTM 本质上是为处理数值向量设计的。虽然可以通过 Word2Vec 等早期的词嵌入技术将文本转化为数值输入，但这种转化往往丢失了文本中的句法结构、上下文语境和深层语义。这导致模型只能看到市场的“果”（价格变动），而无法理解市场的“因”（重磅新闻、政策转向） 。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告22）解释性相对弱： LSTM 通常被视为“黑盒”模型。它可能预测明日股价上涨，但无法告知交易员是基于什么逻辑。在机构投资中，无法解释的信号往往意味着不可控的风险，这在合规要求严格的金融监管环境下是难以接受的3）泛化鲁棒性弱：往往需要在特定股票或特定市场的数据上进行从头训练，难以将在 A 股市场学到的规律直接迁移到美股，或者从科技股迁移到能源股。图1：LSTM 机制原理图2：LSTM 如何嵌入到量化研究体系中资料来源:Advanced Stock Market Prediction Using Long Short-TermMemoryNetworks:AComprehensiveDeepLearningFrameworkRajneesh Chaudhary，Department of Information Technology, IIITMGwalior，国信证券经济研究所整理资料来源: Wind，国信证券经济研究所整理图3：大模型发展历程(一)图4：大模型发展历程(二)资料来源: CSDN 官网，国信证券经济研究所整理资料来源: CSDN 官网，国信证券经济研究所整理Transformer 架构彻底改变金融信息处理方式，机制自身优势赋予时序预测“新出路”。在金融领域，Transformer 的理论优势有以下三点：1）全局上下文感知： Transformer 能够同时关注输入序列中的所有元素，并计算它们之间的关联权重。这意味着在分析一条财经新闻时，模型不仅关注当前的句子，还能结合前文提到的宏观经济背景或公司历史事件。这种“全局视野”使得 LLM 能够捕捉到极其微小但关键的市场信号；2）零样本与少样本学习（Zero-Shot & Few-Shot Learning）： 得益于海量通用语料的预训练，LLM 具备了强大的迁移学习能力。即使没有针对某种新兴加密货币或衍生品的专门训练数据，先进的模型也能凭借其通用的金融逻辑，通过少量示例（Prompting）快速适应新的预测任务；3）思维链推理（Chain-of-Thought Reasoning）：这是 LLM 区别于所有深度学习技术的关键。通过 CoT 提示，LLM 可以将预测过程分解为逻辑步骤。例如：“通胀数据高于预期 →央行加息概率增加→ 贴现率上升 →高估值请务必阅读正文之后的免责声明及其项下所有内容证券研究报告3科技股承压→预测纳斯达克指数下跌”。这种推理过程提供了宝贵的“可解释性”。目前，学界已有基于VAE、Transformer 和 LSTM 的模型框架，用于股票价格预测，集成框架相比单一模型和传统方法显示出明显优势。图5：Transformer 架构的工作原理图6：典型的 AI 预言机架构资料来源: Wind，国信证券经济研究所整理资料来源: Oriol Saguillo, Vahid Ghafouri. Lucianna Kiffer,GuillermoSuarez-Tangil 《 Unravelling the Probabilistic Forest: Arbitrage inPrediction Markets》，国信证券经济研究所整理二、“AI 股价预言家”如何炼成：本地化部署与代码解读我们以