由于受到經(jīng)濟(jì)環(huán)境、政治政策、市場(chǎng)新聞等多種因素的影響,使得預(yù)測(cè)股票動(dòng)態(tài)變得極具挑戰(zhàn)性。研究了5種常用的預(yù)測(cè)股價(jià)變動(dòng)的預(yù)測(cè)方法,通過(guò)逐步增加模型的輸入維度進(jìn)行預(yù)測(cè)分析。首先,建立5種優(yōu)化的預(yù)測(cè)模型——基于時(shí)間序列的自回歸平均模型（ARMA）、灰色預(yù)測(cè)模型（GM（1,1））、BP神經(jīng)網(wǎng)絡(luò)模型（BPNN）、基于改進(jìn)網(wǎng)格尋優(yōu)算法的支持向量回歸（SVR）模型、基于Tensorflow的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型（LSTM）,研究單一維度的模型輸入,即,將各股票的收盤價(jià)作為這5種模型的輸入。通過(guò)實(shí)驗(yàn)驗(yàn)證,發(fā)現(xiàn)基于LSTM的效果明顯優(yōu)于其他傳統(tǒng)機(jī)器學(xué)習(xí)算法。然后,增加模型的輸入維度進(jìn)行研究,即,將影響股價(jià)的13個(gè)指標(biāo)作為L(zhǎng)STM模型的輸入來(lái)預(yù)測(cè)股價(jià),所得的模型在訓(xùn)練集上的均方誤差為0.1438。最后,進(jìn)一步增加模型的輸入維度,即,通過(guò)新聞數(shù)據(jù)挖掘提取14個(gè)特征,再結(jié)合13個(gè)股價(jià)指標(biāo),以這27個(gè)維度特征作為L(zhǎng)STM模型的輸入來(lái)預(yù)測(cè)股價(jià),所得的模型在訓(xùn)練集上的均方誤差為0.1045。通過(guò)實(shí)驗(yàn)驗(yàn)證得出,所采用的輸入27個(gè)維度的方法,比輸入13個(gè)維度在預(yù)測(cè)問(wèn)題上表現(xiàn)得更穩(wěn)健。 

【文章來(lái)源】：集美大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,25(05)

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

數(shù)據(jù)平穩(wěn)處理結(jié)果

以均方誤差作為所建立的LSTM模型的評(píng)價(jià)指標(biāo)。實(shí)驗(yàn)結(jié)果(見圖3)表明,在訓(xùn)練集上預(yù)測(cè)的均方誤差為0.1438,股價(jià)的預(yù)測(cè)值和真實(shí)值走勢(shì)較吻合,且評(píng)價(jià)指標(biāo)數(shù)值較接近于0。由此可見,本研究所建立的LSTM模型性能較好。圖3 訓(xùn)練集股價(jià)預(yù)測(cè)值與真實(shí)值對(duì)比圖(13維)

訓(xùn)練集股價(jià)預(yù)測(cè)值與真實(shí)值對(duì)比圖(13維)

【參考文獻(xiàn)】：
期刊論文
[1]奏響構(gòu)建開放型世界經(jīng)濟(jì)主旋律 國(guó)務(wù)委員兼外交部長(zhǎng)王毅談第二屆“一帶一路”國(guó)際合作高峰論壇的意義[J]. 本刊綜合報(bào)道.  中國(guó)科技產(chǎn)業(yè). 2019(05)
[2]基于屬性識(shí)別的駕駛員安全特性評(píng)價(jià)[J]. 唐秋生,李娜,程鵬.  交通科技與經(jīng)濟(jì). 2016(05)



本文編號(hào)：3107246