基于改进粒子群优化的LSTM模型在股票价格预测中的应用

发布时间：2024-01-05 18:18

　　作为一种有价证券,股票一直是投资者们最为青睐的投资选择之一,股票的价格预测自然也成为了投资者们长期关注的问题[1]。然而,由于数据具有高噪声、动态性、非参数、非线性等特点[2],使得预测股票价格的难度颇高,近几年全球各地不断爆发的疫情与战乱,更加剧了股票市场的不稳定性,也对价格预测提出了更高的要求。随着人工智能技术的发展,机器学习的应用领域越发广泛,各种机器学习模型对于非线性问题的拟合能力也越来越强,已经被广泛应用于股票价格预测中。本文选用中证500指数数据,首先使用BP神经网络对其进行价格预测,其次使用长短期记忆网络模型对其进行价格预测。随后在LSTM模型的基础上引入传统的粒子群优化算法,优化参数选择的过程,构建基于粒子群优化的用于股票价格预测的长短期记忆网络模型。为了得到更好的预测效果,对于粒子群优化算法中不利于寻优过程的自身原理进行改进,确定粒子群的最佳维度,引入惯性权重与学习因子的非线性变化,应用遗传算法中的自适应变异操作,并提出新的位置更新公式,得到改进的粒子群优化的长短期记忆网络模型。为了说明所提出改进的优越性,又使用了前人提出的DMPSO-LSTM模型对同样的股票数据进行...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景与目的
        1.1.1 研究背景
        1.1.2 研究目的
    1.2 国内外研究现状
    1.3 创新与贡献
2 预备知识
    2.1 神经网络模型
        2.1.1 神经网络特点
        2.1.2 神经元结构
        2.1.3 激活函数
        2.1.4 损失函数
        2.1.5 全连接神经网络
        2.1.6 卷积神经网络
        2.1.7 循环神经网络
    2.2 长短期记忆网络
    2.3 粒子群优化算法
    2.4 遗传算法
    2.5 改进的粒子群优化算法
3 预测模型构建
    3.1 BP神经网络模型
    3.2 LSTM模型
    3.3 PSO-LSTM模型
    3.4 IPSO-LSTM模型
    3.5 预测模型评价指标
4 实证研究
    4.1 数据介绍
    4.2 实证分析
        4.2.1 BP模型预测
        4.2.2 LSTM模型预测
        4.2.3 PSO-LSTM模型预测
        4.2.4 DMPSO-LSTM模型预测
        4.2.5 IPSO-LSTM模型预测
    4.3 预测指标分析
5 总结与展望
    5.1 总结
    5.2 不足与展望
参考文献
致谢
学位论文评阅及答辩情况表



本文编号：3877098