將LSTM用于滬深300指數(shù)的股價預測中,并在通用變量開盤價、收盤價、最高價、最低價的基礎上新加入了日成交量與日成交額,以此來預測第二日的最高價,獲得了比較好的預測效果,并與SVR模型和Adaboost模型預測作對比,LSTM獲得的測試集RMSE要更低.接著,用SVR、Adaboost和LSTM進行嶺回歸集成,即,先用訓練集對這三種模型進行訓練,然后用訓練數(shù)據(jù)進行測試,將它們的測試結(jié)果作為自變量,以相應的真實第二日最高價作因變量,進行嶺回歸,再對測試集數(shù)據(jù)做出預測,得到測試集的RMSE進一步降低;再者,查看回歸方程發(fā)現(xiàn)SVR系數(shù)為負,與因變量呈負相關(guān)關(guān)系,進一步選取Adaboost和LSTM兩種模型在訓練集上的預測結(jié)果做自變量,相應的真實第二日最高價作因變量,再次進行嶺回歸,得到測試集的RMSE再次降低,進一步驗證了回歸集成算法的有效性,可以為廣大投資者做買賣決策時提供重要的參考價值. 

【文章頁數(shù)】：8 頁

【部分圖文】：

LSTM模型

圖４情餌…－緒果??（ｃ）損央函數(shù)與訓練次數(shù)關(guān)系圖??情況二楚將開盤價、最高價、最低價、收盤價作為持征放入訓練，來預測第二Ｈ的最高??

圖５情況＝結(jié)果??

【參考文獻】：
碩士論文
[1]基于BP神經(jīng)網(wǎng)絡和GARCH模型的中國銀行股票價格預測實證分析[D]. 林楠.蘭州大學 2014



本文編號：3679256