基于粒子群优化LSTM的股票预测模型

发布时间：2022-01-27 05:29

　　为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。 

【文章来源】：北京航空航天大学学报. 2019,45(12)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

LSTM单元结构

PSO-LSTM模型架构

为进一步验证该模型的预测性能，表1给出各预测模型的评价指标计算结果。PSO-LSTM模型预测误差在RMSE、MAPE、MAE、MSE评价标准下都低于其他预测模型;在决定系数R2评价标准中，该模型计算结果比其他预测模型更接近1，表明PSO-LSTM模型的预测性能优于其他模型。特别地，PSO-LSTM模型MAPE指标比ARIMA模型低71%，比RNN模型低31%，模型预测精度显著提高;PSO-LSTM模型的各项指标优于LSTM模型，但两者差距并不明显，主要原因是这两种预测模型具有相同的单元结构;而PSO-LSTM模型最突出的优势在于构建过程中不需要人工调参，而且预测结果比普通LSTM模型更优。为了进一步研究该模型与传统LSTM模型的有效性与稳定性，实验将浦发银行2018-12-24—2019-03-12日的日K数据平均分成5组，分别利用LSTM模型和PSO-LSTM模型进行预测，预测结果如图4所示。图中:绿色曲线表示股价真实值，蓝色曲线表示LSTM模型预测值，红色曲线表示PSO-LSTM模型预测值。从图中可以看出，对于第2组、第3组和第5组数据，PSO-LSTM模型的预测值曲线比LSTM模型更逼近股价真实值曲线。对于第1组和第4组数据，PSO-LSTM模型与LSTM模型的预测结果非常接近。

【参考文献】：
期刊论文
[1]一种更简化而高效的粒子群优化算法[J]. 胡旺,李志蜀.  软件学报. 2007(04)



本文编号：3611858