隨著經(jīng)濟(jì)和科技的快速發(fā)展,股市已成為當(dāng)前金融市場(chǎng)的重要組成部分。傳統(tǒng)機(jī)器學(xué)習(xí)方法在處理非線性、高噪聲、波動(dòng)性強(qiáng)的股票時(shí)序預(yù)測(cè)問(wèn)題時(shí)存在局限性,而近年來(lái)深度神經(jīng)網(wǎng)絡(luò)的興起,給股票趨勢(shì)預(yù)測(cè)問(wèn)題提供了新的解決方案。采用長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）來(lái)處理長(zhǎng)距離的股票時(shí)序問(wèn)題,構(gòu)建了一個(gè)多類別特征體系作為長(zhǎng)短期記憶網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練,包括常用技術(shù)指標(biāo)、多種關(guān)鍵轉(zhuǎn)折點(diǎn)特征和個(gè)股真實(shí)事件信息等。同時(shí),通過(guò)實(shí)驗(yàn)全面分析了各類特征對(duì)股票趨勢(shì)預(yù)測(cè)的有效程度,對(duì)比結(jié)果表明了多類別特征體系在預(yù)測(cè)中的良好表現(xiàn),其能夠達(dá)到68.77%的短期漲跌預(yù)測(cè)準(zhǔn)確率。另外還將LSTM與CNN,RNN和MLP等模型進(jìn)行了比較,實(shí)驗(yàn)結(jié)果表明LSTM在解決該時(shí)序預(yù)測(cè)問(wèn)題上優(yōu)于其他模型。 

【文章來(lái)源】：計(jì)算機(jī)科學(xué). 2020年S2期 北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

輸入變量的滑動(dòng)窗口設(shè)置

LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,使用“遺忘門”“輸入門”“輸出門” 3種特殊的門結(jié)構(gòu)來(lái)構(gòu)成循環(huán)體,門結(jié)構(gòu)中通過(guò)sigmoid神經(jīng)元控制保留多少輸入信息。LSTM中還存在著一個(gè)隱藏的記憶結(jié)構(gòu)Ct,該變量每次都參與運(yùn)算,但只輸出ht,并不會(huì)輸出Ct,而是將其保存?zhèn)鬟f到下一次運(yùn)算中。根據(jù)LSTM網(wǎng)絡(luò)的結(jié)構(gòu),每個(gè)LSTM單元的計(jì)算如式(2)-式(7)所示,其中ft表示遺忘門,it表示輸入門,Ot表示輸出門,xt表示此時(shí)刻的輸入,t表示要輸入的信息,Ct-1表示前一時(shí)刻cell狀態(tài),Ct表示此時(shí)刻cell狀態(tài),ht表示當(dāng)前單元的輸出,ht-1表示前一時(shí)刻單元的輸出。

首先,對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,包括檢查數(shù)據(jù)一致性,處理無(wú)效值,填補(bǔ)缺失值以及過(guò)濾不符合要求的數(shù)據(jù)等。然后,根據(jù)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)集構(gòu)建特征,計(jì)算技術(shù)指標(biāo)、轉(zhuǎn)折點(diǎn)等添加到數(shù)據(jù)集上,同時(shí)加入個(gè)股事件信息。將處理好的數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,選擇相關(guān)的輸入特征,建立模型訓(xùn)練。最后,將模型預(yù)測(cè)結(jié)果與真實(shí)測(cè)量結(jié)果進(jìn)行比較,用預(yù)測(cè)準(zhǔn)確率和MSE來(lái)評(píng)估。根據(jù)評(píng)估結(jié)果不斷進(jìn)行調(diào)整,以提高模型的泛化能力。處理流程如圖3所示。4.4 參數(shù)設(shè)置及優(yōu)化


本文編號(hào)：2943234