基于离散化和LSTM神经网络的股票指数趋势预测研究

发布时间：2021-08-27 11:58

　　股票市场预测一直是一项受到各个领域研究者关注且极具挑战性的任务。针对当前使用股票技术指标预测股市精度不高的问题,提出将连续型数值的股票技术指标特征离散化为一系列0、1特征,同时加入宏观经济指标的方法应用于股票指数预测。实验以沪深300成分指数为源数据,对沪深300成分指数的涨、跌进行预测,实验结果显示,离散化技术以及宏观经济指标均对股指趋势预测的精度有所提升。 

【文章来源】：现代计算机. 2019,(36)

【文章页数】：4 页

【部分图文】：

LSTM模型记忆单元内部结构

本文主要工作是利用离散化的方法以及基于LSTM[7]长短时期记忆神经网络对股票指数的涨、跌进行分类预测。主要包含以下几个步骤，一是股票指数数据的采集，根据需要从股票历史交易数据中选取相应时间段内的数据，并计算相应的技术指标，同时根据技术指标的特定含义对技术指标进行离散化处理，并将原始数据集划分为训练集和测试集；二是构建LSTM长短期记忆神经网络预测模型；三是利用构建的模型完成对股票指数涨、跌的分类预测；四是对预测结果进行评估。整个实验流程如图1所示。2 数据预处理

【参考文献】：
期刊论文
[1]基于神经网络的股票价格预测模型[J]. 陈嶷瑛,张泽星,李文斌.  计算机应用与软件. 2014(05)
[2]基于神经网络的股票市场预测[J]. 左喆,董申.  商场现代化. 2010(24)

博士论文
[1]连续数据离散化方法研究[D]. 桑雨.大连理工大学 2012

硕士论文
[1]基于LSTM深度神经网络的股市时间序列预测精度的影响因素研究[D]. 毛景慧.暨南大学 2017
[2]基于深度学习的股票价格趋势预测方法研究[D]. 刘磊.云南财经大学 2017
[3]基于机器学习的金融分析[D]. 沈翔翔.上海交通大学 2017
[4]平稳性技术指标在股票市场中的应用[D]. 邓伟.成都理工大学 2015



本文编号：3366309