股票的價格具有非線性、隨機(jī)性等特征,為更精準(zhǔn)地預(yù)測股票價格,充分利用股票價格數(shù)據(jù)的時間相關(guān)性和數(shù)據(jù)自身的變化趨勢,提出數(shù)據(jù)多維處理的LSTM股票價格預(yù)測模型。通過對股票價格因子數(shù)據(jù)進(jìn)行多維處理,提高數(shù)據(jù)有效信息,形成可以高度反映股票價格的多維數(shù)據(jù),在此基礎(chǔ)上建立長短期記憶網(wǎng)絡(luò)組合預(yù)測模型,通過收集股市中的股票數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,模型預(yù)測值與實(shí)際股價數(shù)據(jù)的均方根誤差和平均絕對誤差僅為0.013 2和0.010 3,相較于單一長短期記憶網(wǎng)絡(luò)預(yù)測模型,2項(xiàng)誤差分別降低90.81%和91.65%。數(shù)據(jù)多維處理LSTM股票價格預(yù)測模型具有較高的預(yù)測精度。 

【文章來源】：江西科學(xué). 2020,38(04)

【文章頁數(shù)】：8 頁

【部分圖文】：

LSTM單元結(jié)構(gòu)

股票價格變化趨勢的預(yù)測對模型預(yù)測結(jié)果精度有重要的影響，經(jīng)過差分法處理的數(shù)據(jù)可以保留高頻，減少低頻，相位置前，而經(jīng)過積分處理的數(shù)據(jù)可以保留低頻，減少高頻，相位置后。股價數(shù)據(jù)的差分、積分和原始圖像如圖4～圖6所示，由于實(shí)驗(yàn)樣本數(shù)據(jù)量過大，選取前100個樣本數(shù)據(jù)作為展示數(shù)據(jù)，數(shù)據(jù)圖像展示均值為0，方差為1的數(shù)據(jù)處理圖像。圖3 股價數(shù)據(jù)頻譜圖像

股價數(shù)據(jù)頻譜圖像

【參考文獻(xiàn)】：
期刊論文
[1]基于PCA和IFOA-BP神經(jīng)網(wǎng)絡(luò)的股價預(yù)測模型[J]. 綦方中,林少倩,俞婷婷.  計算機(jī)應(yīng)用與軟件. 2020(01)
[2]小波包最優(yōu)基分解樹的降噪濾波方法研究[J]. 張澤宇,惠記莊,石澤.  機(jī)械科學(xué)與技術(shù). 2020(01)
[3]風(fēng)險承擔(dān)、信息不透明與股價同步性[J]. 田高良,封華,張亭.  系統(tǒng)工程理論與實(shí)踐. 2019(03)
[4]基于LSTM的股票價格預(yù)測建模與分析[J]. 彭燕,劉宇紅,張榮芬.  計算機(jī)工程與應(yīng)用. 2019(11)
[5]民航陸空通話語音識別BiLSTM網(wǎng)絡(luò)模型[J]. 邱意,賈桂敏,楊金鋒,劉遠(yuǎn)慶.  信號處理. 2019(02)
[6]貝葉斯神經(jīng)網(wǎng)絡(luò)在股票時間序列預(yù)測中的應(yīng)用[J]. 劉恒,侯越.  計算機(jī)工程與應(yīng)用. 2019(12)



本文編號：3464873