針對股票市場關(guān)系復(fù)雜導(dǎo)致的有效特征提取困難、價(jià)格預(yù)測精度低等問題,提出一種基于動態(tài)模態(tài)分解—長短期記憶神經(jīng)網(wǎng)絡(luò)（DMD-LSTM）的股票價(jià)格時間序列預(yù)測方法。首先通過DMD算法對受市場板塊聯(lián)動效應(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,提取包含整體市場和特定股票走勢變化信息的模態(tài)特征;然后針對不同市場背景,采用LSTM網(wǎng)絡(luò)對基本面數(shù)據(jù)和模態(tài)特征進(jìn)行價(jià)格建模預(yù)測。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)測方法,在特定的市場背景下能實(shí)現(xiàn)更高的價(jià)格預(yù)測精度,更為準(zhǔn)確地描述股票價(jià)格的變化規(guī)律。 

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

【文章頁數(shù)】：5 頁

【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)測模型
3 實(shí)證分析
    3.1 數(shù)據(jù)來源
    3.2 模型評價(jià)指標(biāo)
    3.3 DMD-LSTM模型預(yù)測方法實(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)果對比與分析
4 結(jié)束語



本文編號：3468431