發(fā)布時間：2021-08-27 11:58

　　股票市場預(yù)測一直是一項受到各個領(lǐng)域研究者關(guān)注且極具挑戰(zhàn)性的任務(wù)。針對當(dāng)前使用股票技術(shù)指標(biāo)預(yù)測股市精度不高的問題,提出將連續(xù)型數(shù)值的股票技術(shù)指標(biāo)特征離散化為一系列0、1特征,同時加入宏觀經(jīng)濟指標(biāo)的方法應(yīng)用于股票指數(shù)預(yù)測。實驗以滬深300成分指數(shù)為源數(shù)據(jù),對滬深300成分指數(shù)的漲、跌進行預(yù)測,實驗結(jié)果顯示,離散化技術(shù)以及宏觀經(jīng)濟指標(biāo)均對股指趨勢預(yù)測的精度有所提升。 

【文章來源】：現(xiàn)代計算機. 2019,(36)

【文章頁數(shù)】：4 頁

【部分圖文】：

LSTM模型記憶單元內(nèi)部結(jié)構(gòu)

本文主要工作是利用離散化的方法以及基于LSTM[7]長短時期記憶神經(jīng)網(wǎng)絡(luò)對股票指數(shù)的漲、跌進行分類預(yù)測。主要包含以下幾個步驟，一是股票指數(shù)數(shù)據(jù)的采集，根據(jù)需要從股票歷史交易數(shù)據(jù)中選取相應(yīng)時間段內(nèi)的數(shù)據(jù)，并計算相應(yīng)的技術(shù)指標(biāo)，同時根據(jù)技術(shù)指標(biāo)的特定含義對技術(shù)指標(biāo)進行離散化處理，并將原始數(shù)據(jù)集劃分為訓(xùn)練集和測試集；二是構(gòu)建LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測模型；三是利用構(gòu)建的模型完成對股票指數(shù)漲、跌的分類預(yù)測；四是對預(yù)測結(jié)果進行評估。整個實驗流程如圖1所示。2 數(shù)據(jù)預(yù)處理

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的股票價格預(yù)測模型[J]. 陳嶷瑛,張澤星,李文斌.  計算機應(yīng)用與軟件. 2014(05)
[2]基于神經(jīng)網(wǎng)絡(luò)的股票市場預(yù)測[J]. 左喆,董申.  商場現(xiàn)代化. 2010(24)

博士論文
[1]連續(xù)數(shù)據(jù)離散化方法研究[D]. 桑雨.大連理工大學(xué) 2012

碩士論文
[1]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的股市時間序列預(yù)測精度的影響因素研究[D]. 毛景慧.暨南大學(xué) 2017
[2]基于深度學(xué)習(xí)的股票價格趨勢預(yù)測方法研究[D]. 劉磊.云南財經(jīng)大學(xué) 2017
[3]基于機器學(xué)習(xí)的金融分析[D]. 沈翔翔.上海交通大學(xué) 2017
[4]平穩(wěn)性技術(shù)指標(biāo)在股票市場中的應(yīng)用[D]. 鄧偉.成都理工大學(xué) 2015



本文編號：3366309