發(fā)布時(shí)間：2022-09-17 12:51

　　將LSTM用于滬深300指數(shù)的股價(jià)預(yù)測(cè)中,并在通用變量開盤價(jià)、收盤價(jià)、最高價(jià)、最低價(jià)的基礎(chǔ)上新加入了日成交量與日成交額,以此來預(yù)測(cè)第二日的最高價(jià),獲得了比較好的預(yù)測(cè)效果,并與SVR模型和Adaboost模型預(yù)測(cè)作對(duì)比,LSTM獲得的測(cè)試集RMSE要更低.接著,用SVR、Adaboost和LSTM進(jìn)行嶺回歸集成,即,先用訓(xùn)練集對(duì)這三種模型進(jìn)行訓(xùn)練,然后用訓(xùn)練數(shù)據(jù)進(jìn)行測(cè)試,將它們的測(cè)試結(jié)果作為自變量,以相應(yīng)的真實(shí)第二日最高價(jià)作因變量,進(jìn)行嶺回歸,再對(duì)測(cè)試集數(shù)據(jù)做出預(yù)測(cè),得到測(cè)試集的RMSE進(jìn)一步降低;再者,查看回歸方程發(fā)現(xiàn)SVR系數(shù)為負(fù),與因變量呈負(fù)相關(guān)關(guān)系,進(jìn)一步選取Adaboost和LSTM兩種模型在訓(xùn)練集上的預(yù)測(cè)結(jié)果做自變量,相應(yīng)的真實(shí)第二日最高價(jià)作因變量,再次進(jìn)行嶺回歸,得到測(cè)試集的RMSE再次降低,進(jìn)一步驗(yàn)證了回歸集成算法的有效性,可以為廣大投資者做買賣決策時(shí)提供重要的參考價(jià)值. 

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

LSTM模型

圖４情餌…－緒果??（ｃ）損央函數(shù)與訓(xùn)練次數(shù)關(guān)系圖??情況二楚將開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)作為持征放入訓(xùn)練，來預(yù)測(cè)第二Ｈ的最高??

圖５情況＝結(jié)果??

【參考文獻(xiàn)】：
碩士論文
[1]基于BP神經(jīng)網(wǎng)絡(luò)和GARCH模型的中國(guó)銀行股票價(jià)格預(yù)測(cè)實(shí)證分析[D]. 林楠.蘭州大學(xué) 2014



本文編號(hào)：3679256