為了提高股票時間序列預測精度,增強預測模型結(jié)構(gòu)參數(shù)可解釋性,提出一種基于自適應粒子群優(yōu)化（PSO）的長短期記憶（LSTM）股票價格預測模型（PSO-LSTM）,該模型在LSTM模型的基礎上進行改進和優(yōu)化,因此擅長處理具有長期依賴關系的、復雜的非線性問題。通過自適應學習策略的PSO算法對LSTM模型的關鍵參數(shù)進行尋優(yōu),使股票數(shù)據(jù)特征與網(wǎng)絡拓撲結(jié)構(gòu)相匹配,提高股票價格預測精度。實驗分別以滬市、深市、港股股票數(shù)據(jù)構(gòu)建了PSO-LSTM模型,并對該模型的預測結(jié)果與其他預測模型進行比較分析。結(jié)果表明,基于自適應PSO的LSTM股票價格預測模型不但提高了預測準確度,而且具有普遍適用性。 

【文章來源】：北京航空航天大學學報. 2019,45(12)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

LSTM單元結(jié)構(gòu)

PSO-LSTM模型架構(gòu)

為進一步驗證該模型的預測性能，表1給出各預測模型的評價指標計算結(jié)果。PSO-LSTM模型預測誤差在RMSE、MAPE、MAE、MSE評價標準下都低于其他預測模型;在決定系數(shù)R2評價標準中，該模型計算結(jié)果比其他預測模型更接近1，表明PSO-LSTM模型的預測性能優(yōu)于其他模型。特別地，PSO-LSTM模型MAPE指標比ARIMA模型低71%，比RNN模型低31%，模型預測精度顯著提高;PSO-LSTM模型的各項指標優(yōu)于LSTM模型，但兩者差距并不明顯，主要原因是這兩種預測模型具有相同的單元結(jié)構(gòu);而PSO-LSTM模型最突出的優(yōu)勢在于構(gòu)建過程中不需要人工調(diào)參，而且預測結(jié)果比普通LSTM模型更優(yōu)。為了進一步研究該模型與傳統(tǒng)LSTM模型的有效性與穩(wěn)定性，實驗將浦發(fā)銀行2018-12-24—2019-03-12日的日K數(shù)據(jù)平均分成5組，分別利用LSTM模型和PSO-LSTM模型進行預測，預測結(jié)果如圖4所示。圖中:綠色曲線表示股價真實值，藍色曲線表示LSTM模型預測值，紅色曲線表示PSO-LSTM模型預測值。從圖中可以看出，對于第2組、第3組和第5組數(shù)據(jù)，PSO-LSTM模型的預測值曲線比LSTM模型更逼近股價真實值曲線。對于第1組和第4組數(shù)據(jù)，PSO-LSTM模型與LSTM模型的預測結(jié)果非常接近。

【參考文獻】：
期刊論文
[1]一種更簡化而高效的粒子群優(yōu)化算法[J]. 胡旺,李志蜀.  軟件學報. 2007(04)



本文編號：3611858