實驗方法

3.1

整體模型架構如圖3.1所示，首先將不同的時間序列分解為不同頻率之子 訊號，並把子訊號各別用於訓練單獨的 LSTM，再將 LSTM 之輸出通過密集層

（fully connected layer），最後通過 sigmoid 函數作下一時間點漲跌之分類，其中 LSTM 和密集層之層數可以複數疊加。

有關本實驗之整體流程如圖3.3表示。利用 SWT 將原始的股價訊號拆解為不 同頻率之分量時，à trous 演算法所能接受的訊號長度須為 2ⁿ，其中 n ∈ Z 為欲 分解之層數，否則須作零填充至最接近之 2 的冪次長度；而利用 EMD 來拆解訊 號時，其分解出之 IMF 數量則會依據訊號不同有所差異。考慮模型輸入序列須 為固定長度，需將訊號截斷處理，實驗中以尺寸 L = 16 之矩形窗（rectangular window）作截斷：

Si = f (i− L + 1), f(i − L + 2), ...f(i) (3.1)

S_i 為第 i 組從原訊號 f 截斷後之子訊號，如圖3.2所示。

Figure 3.1: 結合小波轉換之 LSTM 展開圖

Figure 3.2: 利用窗函數截斷訊號示意圖

實驗中模型之訓練方式為監督式學習（supervised learning），為了創造學習過 程中所需之漲跌標籤（label），可藉由對每日收盤價進行一階差分並取其正負號而

得，並將其與開盤價、最高價、最低價、收盤價和成交量經 SWT 分解後所形成 之各子序列合併成為模型訓練之最小單位，即輸入前 L 天之資訊，預測第 L + 1 天的收盤價漲跌。

此次實驗 SWT 採用 Haar、Daubechies­3、Coiflet­3 和 Symlet­3 四種不同的小 波基底，與文獻回顧中金融資料相關任務常用之母小波相同。另為提高模型收斂 速度和模型精準度，資料標準化採用最大絕對值標準化（max abs normalization），

將分解完之子訊號各自除以其絕對值最大者，藉以進行特徵縮放並保留訊號之正 負號。

另外，實驗中使用 Adam 方法作為權重最佳化之優化器，二元交叉熵（binary cross entropy）作為損失函數，若訓練中訓練集和驗證集之錯誤率相差開始擴大

Figure 3.3: 整體實驗架構流程圖

Table 3.2: 超參數搜尋範圍

LSTM Dropout Rate [0, 0.3] 連續

LSTM Recurrent Dropout Rate [0, 0.3] 連續

Dense 層數 [0, 3] 離散

Dense L2 正規化 [0, 0.3] 連續

Dense 神經元數 [4, 128] 離散

Dense 激勵函數 {ReLU, SELU, ELU, Leaky ReLU, Tanh} 離散

Dense Dropout Rate [0, 0.3] 連續

是否採用 Batch Normalization {True, False} 離散

Batch Size [80, 400] 連續

3.3

在最佳化超參數時，若應用傳統的交叉驗證（cross­validation）在時間序列的 資料上，可能會有未來資料洩漏之問題存在 [18]，此處選擇使用滾動視窗驗證

（rolling window validation）方式來避免，如下圖所示：

Figure 3.4: 滾動視窗驗證

高度非穩態資料之訓練視窗大小需要謹慎選擇，太大容易學習到過多的無關 特徵，太小則容易使模型過度擬合。本研究採訓練視窗大小為 1000 個資料點，驗 證視窗大小為 250 個資料點，每次在時間軸上移動步距（step）為 1000 個資料點。