基于多类别特征体系的股票短期趋势预测

发布时间：2020-12-28 05:50

　　随着经济和科技的快速发展,股市已成为当前金融市场的重要组成部分。传统机器学习方法在处理非线性、高噪声、波动性强的股票时序预测问题时存在局限性,而近年来深度神经网络的兴起,给股票趋势预测问题提供了新的解决方案。采用长短期记忆网络（Long Short-Term Memory,LSTM）来处理长距离的股票时序问题,构建了一个多类别特征体系作为长短期记忆网络的输入进行训练,包括常用技术指标、多种关键转折点特征和个股真实事件信息等。同时,通过实验全面分析了各类特征对股票趋势预测的有效程度,对比结果表明了多类别特征体系在预测中的良好表现,其能够达到68.77%的短期涨跌预测准确率。另外还将LSTM与CNN,RNN和MLP等模型进行了比较,实验结果表明LSTM在解决该时序预测问题上优于其他模型。 

【文章来源】：计算机科学. 2020年S2期 北大核心

【文章页数】：5 页

【部分图文】：

输入变量的滑动窗口设置

LSTM网络结构如图2所示,使用“遗忘门”“输入门”“输出门” 3种特殊的门结构来构成循环体,门结构中通过sigmoid神经元控制保留多少输入信息。LSTM中还存在着一个隐藏的记忆结构Ct,该变量每次都参与运算,但只输出ht,并不会输出Ct,而是将其保存传递到下一次运算中。根据LSTM网络的结构,每个LSTM单元的计算如式(2)-式(7)所示,其中ft表示遗忘门,it表示输入门,Ot表示输出门,xt表示此时刻的输入,t表示要输入的信息,Ct-1表示前一时刻cell状态,Ct表示此时刻cell状态,ht表示当前单元的输出,ht-1表示前一时刻单元的输出。

首先,对原始数据进行预处理,包括检查数据一致性,处理无效值,填补缺失值以及过滤不符合要求的数据等。然后,根据经过预处理的数据集构建特征,计算技术指标、转折点等添加到数据集上,同时加入个股事件信息。将处理好的数据集划分为训练集和测试集,选择相关的输入特征,建立模型训练。最后,将模型预测结果与真实测量结果进行比较,用预测准确率和MSE来评估。根据评估结果不断进行调整,以提高模型的泛化能力。处理流程如图3所示。4.4 参数设置及优化


本文编号：2943234