發(fā)布時(shí)間：2021-08-29 23:19

　　如何準(zhǔn)確地進(jìn)行股票預(yù)測(cè)一直是量化金融領(lǐng)域的重要問(wèn)題。長(zhǎng)短期記憶細(xì)胞神經(jīng)網(wǎng)絡(luò)（LSTM）的出現(xiàn)較好地解決了股票預(yù)測(cè)這類的復(fù)雜序列化數(shù)據(jù)學(xué)習(xí)的問(wèn)題。然而前期研究結(jié)果表明單一使用該方法仍存在預(yù)測(cè)不平衡、陷入局部極值導(dǎo)致能力不佳的問(wèn)題�；谏鲜鰡�(wèn)題,文中利用將遺傳算法（GA）解決調(diào)參問(wèn)題來(lái)保證模型預(yù)測(cè)的平衡性,由此構(gòu)建了新型股票預(yù)測(cè)模型。該模型分為三部分,首先利用LSTM網(wǎng)絡(luò)進(jìn)行收盤價(jià)的預(yù)測(cè),再利用基于遺傳算法的判別機(jī)制,最終獲取下一刻股票的漲跌信號(hào)。這一模型不同于先前的研究,主要針對(duì)LSTM模型的輸出模塊進(jìn)行了改進(jìn)。文中使用了中證500的日內(nèi)分鐘數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證。實(shí)驗(yàn)得出,改進(jìn)模型的各方面指標(biāo)均優(yōu)于單獨(dú)的LSTM模型。 

【文章來(lái)源】：計(jì)算機(jī)科學(xué). 2020,47(S1)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

LSTM記憶單元

預(yù)測(cè)模型總體設(shè)計(jì)框圖

LSTM網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于特征選取與LSTM模型的股指預(yù)測(cè)方法研究[J]. 陳佳,劉冬雪,武大碩.  計(jì)算機(jī)工程與應(yīng)用. 2019(06)



本文編號(hào)：3371571