針對(duì)股票市場(chǎng)關(guān)系復(fù)雜導(dǎo)致的有效特征提取困難、價(jià)格預(yù)測(cè)精度低等問(wèn)題,提出一種基于動(dòng)態(tài)模態(tài)分解—長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（DMD-LSTM）的股票價(jià)格時(shí)間序列預(yù)測(cè)方法。首先通過(guò)DMD算法對(duì)受市場(chǎng)板塊聯(lián)動(dòng)效應(yīng)影響的關(guān)聯(lián)行業(yè)板塊樣本股數(shù)據(jù)進(jìn)行分解計(jì)算,提取包含整體市場(chǎng)和特定股票走勢(shì)變化信息的模態(tài)特征;然后針對(duì)不同市場(chǎng)背景,采用LSTM網(wǎng)絡(luò)對(duì)基本面數(shù)據(jù)和模態(tài)特征進(jìn)行價(jià)格建模預(yù)測(cè)。在鞍鋼股份（SH000898）上的實(shí)驗(yàn)結(jié)果表明,該方法相較于傳統(tǒng)預(yù)測(cè)方法,在特定的市場(chǎng)背景下能實(shí)現(xiàn)更高的價(jià)格預(yù)測(cè)精度,更為準(zhǔn)確地描述股票價(jià)格的變化規(guī)律。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用研究. 2020,37(03)北大核心CSCD

【文章頁(yè)數(shù)】：5 頁(yè)

【文章目錄】：
0 引言
1 算法原理
    1.1 DMD算法
    1.2 LSTM(long short-time memory)神經(jīng)網(wǎng)絡(luò)
2 基于DMD和LSTM的股票價(jià)格預(yù)測(cè)方法
    2.1 模型數(shù)據(jù)集構(gòu)造
    2.2 基于DMD模態(tài)分解的特征提取
    2.3 DMD-LSTM價(jià)格預(yù)測(cè)模型
3 實(shí)證分析
    3.1 數(shù)據(jù)來(lái)源
    3.2 模型評(píng)價(jià)指標(biāo)
    3.3 DMD-LSTM模型預(yù)測(cè)方法實(shí)現(xiàn)
        3.3.1 DMD模態(tài)特征提取
        3.3.2 LSTM模型結(jié)構(gòu)選定
        3.3.3 結(jié)果對(duì)比與分析
4 結(jié)束語(yǔ)



本文編號(hào)：3468431