Mitigating Distribution Shift in Stock Price Data via Return-Volatility Normalization for Accurate Prediction
创建于 更新于
摘要
本论文针对股票价格数据分布偏移问题，提出了ReVol方法。该方法通过归一化个股样本特征（收益率、波动率和价格尺度）、基于注意力机制精确估计特征以及在预测阶段重新整合样本特征，有效缓解训练与测试数据分布差异，实现更加稳定准确的股票价格预测。实验证明，ReVol在多个市场和多种神经网络骨干模型中均提升了预测信息系数和夏普比率，显著增强了模型的泛化能力和稳健性 [page::0][page::1][page::2][page::7][page::8][page::9]。
