隨著經濟和科技的快速發(fā)展,股市已成為當前金融市場的重要組成部分。傳統(tǒng)機器學習方法在處理非線性、高噪聲、波動性強的股票時序預測問題時存在局限性,而近年來深度神經網絡的興起,給股票趨勢預測問題提供了新的解決方案。采用長短期記憶網絡（Long Short-Term Memory,LSTM）來處理長距離的股票時序問題,構建了一個多類別特征體系作為長短期記憶網絡的輸入進行訓練,包括常用技術指標、多種關鍵轉折點特征和個股真實事件信息等。同時,通過實驗全面分析了各類特征對股票趨勢預測的有效程度,對比結果表明了多類別特征體系在預測中的良好表現,其能夠達到68.77%的短期漲跌預測準確率。另外還將LSTM與CNN,RNN和MLP等模型進行了比較,實驗結果表明LSTM在解決該時序預測問題上優(yōu)于其他模型。 

【文章來源】：計算機科學. 2020年S2期 北大核心

【文章頁數】：5 頁

【部分圖文】：

輸入變量的滑動窗口設置

LSTM網絡結構如圖2所示,使用“遺忘門”“輸入門”“輸出門” 3種特殊的門結構來構成循環(huán)體,門結構中通過sigmoid神經元控制保留多少輸入信息。LSTM中還存在著一個隱藏的記憶結構Ct,該變量每次都參與運算,但只輸出ht,并不會輸出Ct,而是將其保存?zhèn)鬟f到下一次運算中。根據LSTM網絡的結構,每個LSTM單元的計算如式(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表示此時刻的輸入,t表示要輸入的信息,Ct-1表示前一時刻cell狀態(tài),Ct表示此時刻cell狀態(tài),ht表示當前單元的輸出,ht-1表示前一時刻單元的輸出。

首先,對原始數據進行預處理,包括檢查數據一致性,處理無效值,填補缺失值以及過濾不符合要求的數據等。然后,根據經過預處理的數據集構建特征,計算技術指標、轉折點等添加到數據集上,同時加入個股事件信息。將處理好的數據集劃分為訓練集和測試集,選擇相關的輸入特征,建立模型訓練。最后,將模型預測結果與真實測量結果進行比較,用預測準確率和MSE來評估。根據評估結果不斷進行調整,以提高模型的泛化能力。處理流程如圖3所示。4.4 參數設置及優(yōu)化


本文編號：2943234