MambaStock: Selective state space model for stock prediction

股票市场在经济发展中起着关键作用，但其复杂的波动性给投资者带来了挑战。因此，研究和准确预测股票价格的变动对于缓解风险至关重要。传统的时间序列模型无法捕捉非线性，导致股票预测不尽如人意。这种局限性促使神经网络广泛应用于股票预测，因为它们具有强大的非线性泛化能力。最近，一种名为Mamba的结构化状态空间序列模型，配备选择机制和扫描模块（S6），已成为序列建模任务中的强大工具。借助这个框架，本文提出了一种基于Mamba的股票价格预测模型，名为MambaStock。所提出的MambaStock模型有效地挖掘历史股票市场数据，预测未来的股票价格，无需手工特征或广泛的预处理过程。对几支股票的实证研究表明，MambaStock模型胜过以前的方法，提供高度准确的预测。这种提高的准确性可以帮助投资者和机构做出明智的决策，旨在最大化回报，同时最小化风险。这项工作强调了Mamba在时间序列预测中的价值。源代码可在https://github.com/zshicode/MambaStock上找到。

论文旨在通过提出一种基于Mamba的模型，名为MambaStock，来解决股票价格预测中传统时间序列模型无法捕捉非线性的问题。同时，论文试图通过提高预测准确性，帮助投资者和机构做出更明智的决策。

MambaStock模型利用Mamba框架，无需手工特征工程或繁琐的预处理，有效地挖掘历史股市数据以预测未来股票价格。相较于当前领域的研究，该模型的关键思路在于结合了Mamba的结构状态空间序列模型、选择机制和扫描模块，具有更强的非线性泛化能力。

论文通过实验研究表明，MambaStock模型优于先前的方法，能够提供高度准确的预测结果，对于投资者和机构做出明智决策具有重要意义。论文提供了开源代码，并使用多个股票数据集进行了实验研究。该工作强调了Mamba在时间序列预测中的价值。

在这个领域中，最近的相关研究包括：1. 'Deep Learning for Stock Prediction: A Comparative Study'；2. 'A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long Short-Term Memory'；3. 'Stock Price Prediction Using LSTM and XGBoost with News Sentiment Analysis'.