基于LSTM的股票预测研究

发布时间：2020-04-12 05:31

【摘要】：股市是国家经济的重要组成部分,随着近年来人民生活水平的提高,进行股票投资的人不断增多。股票预测是每个投资者都在进行尝试的一项研究,普通投资者通过技术分析手段确认选股进行交易,技术分析师通过基本面、技术面和消息面多方结合进行推荐,而科研人员则是通过建立数学模型来对股票数据进行分析。随着深度学习的爆发以及循环神经网络在时间序列中取得良好的表现,LSTM作为循环神经网络中的经典模型受到了广泛的关注,具有广阔的应用前景。股票数据表现为经典的金融时间序列,利用神经网络对股票数据进行预测是近年来的研究热点。随着算法交易、量化投资等理念的兴起,越来越多的人开始利用神经网络对股票数据进行预测。但神经网络隐藏层的构建至今没有较好的指导理论,众多研究人员都是依靠自己摸索,或者在前人的经验上获取模型的结构以及参数设置。本文基于“历史总会重演”的观点,对同行业中的股票间常出现“同涨同跌”现象进行研究,通过结合Pearson相关系数和动态时间规整两种算法来对股票相关性特征的提取进行设计。在线性关系中利用Pearson对股票中存在的长、短周期进行获取,而在非线性关系中则利用动态时间规整,并将获取到的信息转化为相关性特征。在此基础上,设计了结合相关性特征的LSTM股票预测方法,利用Dense、PReLU、Dropout等多种神经网络算法结构构造出多种不同的LSTM模型,并探讨了不同模型结构及参数设置的股票预测效果。实验结果表明,本文提出的分类预测方法比传统的SVM、BP模型在正确率有3%以上的改进;而回归预测方法则比传统的LinearRegression、BP模型在RMSE、R~2、误差值以及自设计的盈利值等多个指标上均有更好表现。
【图文】：

神经网络,人工神网络,学习领域,推理能力

Williams[45]于 1986 年改进的 BP 算法是了非线性分类和学习的问题，使得人工神网络规模增大时会出现“梯度消失”问题与其学生 Ruslan Salakhutdinov 的文章给次引起了众多学者的关注和研究。近十年名的 ImageNet 图像识别大赛中，深度学ce 项目取得成功，推动了应用落地；201现深度神经网络强大的计算推理能力。伴深度学习领域之中，现实生活之中也逐渐脑结构而设计出来的模型，每个单元称为神经网络结构一般分为三层：输入层、隐 2.1 所示：

函数图

图 2.2 sigmoid 函数图下几个重要的概念：n）也可称为节点，，指的是神经网络基本的计中神经元中的数值代表其输出。经网络中，最左边的一列神经单元统称为输 Bias；最右边的一列神经单元统称为输出层的称为隐藏层，对应的是运算过程中的特征是神经网络中的一个重要的概念，在神经网权重的数值进行调整，使得计算结果尽可能是神经元运算的一个截距，控制着函数偏离ivation）通过仿造生物神经细胞的反应，神经判断，从而输出正确的分类。激活函数一般
【学位授予单位】：广州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.51

【参考文献】