本网讯（通讯员：程静静）2018年11月22日早十点，经济学院2018年第四十三次学术研讨会在经济学院106教室举行，华中农业大学数学与统计学院副研究员陈舜做了题为“Exploring Attention Mechanism in LSTM based Hong Kong Stock Price Movement Prediction”的报告，经济学院教授及金融系教师参加。

陈舜副研究员在报告开始首先梳理了关于LSTM（long short-term memory network）、Attention的相关研究工作。在关于LSTM的研究总结中特别提到：Kim,K.j.和Han,I.（2000）将遗传算法用于股票价格指数预测；Chen,K.,Zhou,Y.和Dai,F.（2015）基于LSTM方法对中国股票市场的股票收益进行预测；Samarawickrama,A.J.P和Fernando,T.G.I（2015）利用递归神经网络方法预测斯里兰卡股票市场每天的股票价格；Liu,S.,Zhang,C.和Ma,J.（2017）将CNN-LSTM神经网络模型用于股票市场量化策略分析。关于Attention的相关研究主要聚焦于语音识别、文本识别、图像分类等方面。在对关于LSTM和Attention的文献总结中指出目前将Attention机制用于股票市场的研究几乎为零，同时Attention机制对股票市场关键信息的提取具有潜在的应用价值，进而提出将Attention机制用于LSTM模型对股票市场预测分析的设想。

陈舜副研究员在文献综述的同时对LSTM、Attention、RNN（recurrent neural network）进行了简要介绍，他指出Attention概念来源于生物学领域，是在2014年被提出的，主要描述了某主体在行为中将注意力集中于客体比较关键的点，并于2017年在人工智能领域引起强烈反响。RNN是一个具有递归性质的函数。LSTM是一个更复杂的函数，是由RNN得到的，用于描述具有遗忘、记忆等机制的内部两个状态之间更复杂的过程。

陈老师接下来介绍了文章的样本选择以及选择的原因，指出香港股票市场无论是对于大陆还是其他国家和地区都是相对比较大以及进入门槛比较低的市场，因而选择香港股票市场作为研究对象，其中包括大陆股票989支，港股856支以及外国股票110支。

陈老师继文献回顾、核心概念解释以及样本选择的介绍之后提出了文章的难点包括以下三点：一是如何整合LSTM与Attention机制？二是如何选择影响因子？三是如何避免过度拟合？基于以上提出的三个难点，陈舜副研究员首先介绍了其研究框架是输入、Attention、LSTM、密度以及输出，其中输入部分包括样本的60个因子，通过Attention机制选择出有效因子，输出是股票价格运动。陈老师同时报告了分别使用ATTLSTM（Attention Long short-term memory network）和LSTM模型对股票进行预测的结果，得出ATTLSTM模型预测结果显著优于LSTM模型的预测结果。

陈舜副研究员最后还介绍了自己接下来进一步的研究具体将集中于胶囊网络在股票预测上的应用以及资产组合的选择与深度学习的进一步融合等内容。

报告内容结束后，经济学院的老师与陈老师就报告内容展开了热烈的学术研讨，研讨内容包括对Attention机制如何保证获取到的信息是关键信息，LSTM的长短期中“长”，“短”的界定，样本外预测有效性，样本数据经过Attention、LSTM处理得到的结果的内在逻辑，ATTLSTM与传统计量方法估计的比较以及交易策略的选择等方面。