金融股票市场是各类投资者热衷参与的一项重要经济活动,对于经济的发展有着重要的影响。投资者期望在金融股票市场上进行投资从而获取盈利,因此如何更有效地进行股票未来走势的预测便成了投资者所关心的一个任务。传统的市场趋势预测模型通常基于手工因子或特征,严重依赖于昂贵的专业知识,此外,很难发现股票时间序列数据中包含的隐藏特征,而这些特征将有助于预测股市趋势。本文提出了一个以自监督学习序列编码模型S3E为预训练模型的股票市场趋势预测框架SMART。具体地来说,该模型将股票技术数据序列进行编码表征,表征通过多个自监督学习辅助任务进行进一步联合训练。通过多任务联合学习来训练S3E模型中的编码器,对于股票序列数据进行编码表征,随后基于LSTM和前馈神经网络进行股市趋势预测。本文在中国A股市场和美国纳斯达克市场上进行了大量的实验,实验结果表明本文所设计的模型对股票市场趋势预测是非常有效的。根据SMART框架的预测结果,本文基于模型输出结果所实现的投资收益明显优于其他方法。基于自监督学习的股市预测算法模型研究完成后,如何去高效地管理与维护算法模型,使其实际地落地到工业场景上,也就是算法的落地过程,也是本文所考虑的一个问题。针对于算法落地的场景,本文设计了一个量化模型管理平台,来自动化地进行模型的滚动训练和预测任务等,同时对于每个模型各方面的评估和预测等都做了可视化展示,方便用户对于模型的业务评测效果有一个整体的把控。总而言之,本文的核心贡献如下所示:·本文将自监督学习技术引入到金融量化投资领域,提出了一套基于技术面数据的自监督学习框架SMART,设计了三种业务相关的自监督学习辅助任务,通过多任务联合训练的方式来建模金融市场股市涨跌的预测任务。·本文在多个数据集上进行了充分的实验,同时对比了现有的各种主流模型,评估了SMART框架及其变体和其他各种主流模型在股票涨跌分类任务的accuracy和F1-score效果,同时在业务指标上评估了SMART框架所能达到的累计收益率、信息系数和夏普率,充足有效的实验证明了本文所提出的方法框架的有效性。·为了有效地管理各个量化模型,本文设计了一套量化模型管理平台,给投资者一个直观立体的模型效果展示,包括模型每天的预测情况、量化策略的累计收益情况等,方便投资者比较各个模型之间的相关差别。本文所提出的SMART金融股市预测框架,在多个数据集上取得了领先的效果,并且能够在金融市场上实现较高的年化收益率,领先于其他方法,说明自监督学习技术在股票金融序列数据编码中有着不错的效果,为自监督学习技术在金融量化投资领域上的应用奠定了一定基础。