基于Attention机制的LSTM股票预测模型实证分析

发布时间：2023-06-03 04:55

　　长短期记忆模型(Long short-term memory),简称LSTM模型,该模型是针对RNN模型在训练长时序数据时性能下降而提出的。模型中加入了三种“门控装置”,以解决了在RNN模型中出现的梯度消失和爆炸问题。同时,LSTM模型内部的三种门控装置,各自独立的对数据进行输入输出控制,形成对数据的独立记忆,从而可以解决对长序数据进行拟合时的遗忘问题。相较于传统的RNN网络,由于LSTM模型在其内部构建了一种非线性激活函数,使其在非线性相关数据的拟合分析上具有较大的优势。同时,为了解决当输入的时间序列数据非常长时,LSTM模型难以学习到长时序列数据中蕴含的深层次关系。因此,本文引入了attention机制,该机制保留LSTM在对数据进行拟合时的中间训练结果,之后该机制从新训练一个模型来对这些中间训练结果进行选择性的学习并赋予不同的权重,最后在模型输出最终结果时将中间结果与之进行关联,来达到提升LSTM模型训练性能的目的。本文通过LSTM模型对股价的走势和涨跌两个方面进行预测实证分析,来研究attention机制和LSTM模型在股票市场的适用性。并对建模是出现的一些问题进行总结和分析,...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 论文的背景和研究意义
    1.2 国内外文献综述
        1.2.1 传统股票价格预测研究综述
        1.2.2 LSTM神经网络研究综述
        1.2.3 注意力机制文献综述
    1.3 研究的主要内容
    1.4 文章的组织结构
    1.5 创新点与不足之处
第2章 基本理论模型
    2.1 ARIMA模型理论
        2.1.1 建模步骤
    2.2 RNN循环神经网络基本原理
        2.2.1 梯度传播
        2.2.2 RNN的前向传播
        2.2.3 RNN的反向传播
    2.3 LSTM神经网络基本原理
        2.3.1 遗忘门
        2.3.2 输入门
        2.3.3 输出门
    2.4 attention机制的基本原理
第3章 模型的构建
    3.0 数据的选取
    3.1 技术指标的介绍
    3.2 数据预处理
        3.2.1 数据划分
        3.2.2 对数据进行标准化处理
        3.2.3 对数据进行分类标记
        3.2.4 特征选择
    3.3 实验设计及模型结构
        3.3.1 实验一:对股指走势进行预测
        3.3.2 实验二:对股指的涨跌进行预测
    3.4 模型评价指标
第4章 实证分析过程及结果
    4.1 实验一:走势预测
    4.2 实验二股指涨跌预测
    4.3 实验结果总结
    4.4 建模问题总结
第5章 结论与展望
    5.1 结论
    5.2 展望
参考文献
致谢



本文编号：3828700