股票市場(chǎng)預(yù)測(cè)一直是一項(xiàng)受到各個(gè)領(lǐng)域研究者關(guān)注且極具挑戰(zhàn)性的任務(wù)。針對(duì)當(dāng)前使用股票技術(shù)指標(biāo)預(yù)測(cè)股市精度不高的問(wèn)題,提出將連續(xù)型數(shù)值的股票技術(shù)指標(biāo)特征離散化為一系列0、1特征,同時(shí)加入宏觀經(jīng)濟(jì)指標(biāo)的方法應(yīng)用于股票指數(shù)預(yù)測(cè)。實(shí)驗(yàn)以滬深300成分指數(shù)為源數(shù)據(jù),對(duì)滬深300成分指數(shù)的漲、跌進(jìn)行預(yù)測(cè),實(shí)驗(yàn)結(jié)果顯示,離散化技術(shù)以及宏觀經(jīng)濟(jì)指標(biāo)均對(duì)股指趨勢(shì)預(yù)測(cè)的精度有所提升。 

【文章來(lái)源】：現(xiàn)代計(jì)算機(jī). 2019,(36)

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

LSTM模型記憶單元內(nèi)部結(jié)構(gòu)

本文主要工作是利用離散化的方法以及基于LSTM[7]長(zhǎng)短時(shí)期記憶神經(jīng)網(wǎng)絡(luò)對(duì)股票指數(shù)的漲、跌進(jìn)行分類(lèi)預(yù)測(cè)。主要包含以下幾個(gè)步驟，一是股票指數(shù)數(shù)據(jù)的采集，根據(jù)需要從股票歷史交易數(shù)據(jù)中選取相應(yīng)時(shí)間段內(nèi)的數(shù)據(jù)，并計(jì)算相應(yīng)的技術(shù)指標(biāo)，同時(shí)根據(jù)技術(shù)指標(biāo)的特定含義對(duì)技術(shù)指標(biāo)進(jìn)行離散化處理，并將原始數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集；二是構(gòu)建LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；三是利用構(gòu)建的模型完成對(duì)股票指數(shù)漲、跌的分類(lèi)預(yù)測(cè)；四是對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估。整個(gè)實(shí)驗(yàn)流程如圖1所示。2 數(shù)據(jù)預(yù)處理

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的股票價(jià)格預(yù)測(cè)模型[J]. 陳嶷瑛,張澤星,李文斌.  計(jì)算機(jī)應(yīng)用與軟件. 2014(05)
[2]基于神經(jīng)網(wǎng)絡(luò)的股票市場(chǎng)預(yù)測(cè)[J]. 左喆,董申.  商場(chǎng)現(xiàn)代化. 2010(24)

博士論文
[1]連續(xù)數(shù)據(jù)離散化方法研究[D]. 桑雨.大連理工大學(xué) 2012

碩士論文
[1]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時(shí)間序列預(yù)測(cè)精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[2]基于深度學(xué)習(xí)的股票價(jià)格趨勢(shì)預(yù)測(cè)方法研究[D]. 劉磊.云南財(cái)經(jīng)大學(xué) 2017
[3]基于機(jī)器學(xué)習(xí)的金融分析[D]. 沈翔翔.上海交通大學(xué) 2017
[4]平穩(wěn)性技術(shù)指標(biāo)在股票市場(chǎng)中的應(yīng)用[D]. 鄧偉.成都理工大學(xué) 2015



本文編號(hào)：3366309