首页 > 分享 > 股票价格趋势预测应用LSTM模型的效果.doc

股票价格趋势预测应用LSTM模型的效果.doc

花匠小妙招
2024-09-02 20:47

股票价格趋势预测应用LSTM模型的效果目录 TOC o 1-9 h z u 目录 1 正文 1 文1：股票价格趋势预测应用LSTM模型的效果 1 一、引言 2 二、长短期记忆模型介绍 3 三、模型搭建与数据处理 4 四、实验结果与分析 5 五、结束语 6 文2：股票投资中反向操作的效果分析引言 6 【题目】反向操作在国内股票市场的适用性研究 7 1 引言。 7 （1）针对我国股票市场反向投资可行性相关研究。 11 （2）持有期限及市场行情对于收益性影响。 12 （3）具体相关因子对于反向策略收益的影响。 12 （4）反向投资策略的研究方法。 13 （1）文章主要内容。 15 （2）文章主体框架。 16 参考文摘引言： 17 原创性声明（模板） 18 文章致谢（模板） 19 正文股票价格趋势预测应用LSTM模型的效果文1：股票价格趋势预测应用LSTM模型的效果作者简介：黄子建（1994-），男，福建莆田人，上海理工大学管理学院硕士研究生，研究方向：深度学习；；刘媛华（1974-），女，山东莱阳人，博士，上海理工大学管理学院副教授，研究方向：复杂系统理论方法及应用。一、引言股票是证券市场当中一个至关重要的组成部分。经济、政治、公司的经营状况、市场人气等多方面因素反应在了不规律性的股票价格走势上。总体来说，股票市场是一个高度复杂的非线性动态系统。风险同样意味着回报，为了能够在这样一个股票市场当中谋求利益，预测其变化趋势就显得十分关键。有效市场理论指出，证券价格呈现随机游走特征，因此技术分析和掷骰子选出的股票，最终表现相差无几。大量分析却发现股票价格波动具有长期记忆性，拒绝了随机游走假设，即股市涨跌存在自身的规律，无论长期和短期都存在着可预测的成分，因而技术分析是有用的，通过采用相应策略，投资者可以获得超常利润[1] 近代学者们研究出了一系列股票分析方法用以预测股票价格：技术分析法、基本面分析与心理分析等等的方法。这些列举的方法绝大多数都是针对于线性模型，这对于股票价格短期的走势预测效果不是很理想，商品的价格序列为非线性、非平稳的，上述模型不能很好地抓住商品价格非线性的特点，从而导致预测的效果并不理想。面对传统计量经济模型的缺陷，有学者开始采用BP神经网络的方法来对股票价格的序列进行预测研究。结果显示BP神经网络可以很好地抓取商品价格非线性的特点，从而使得预测效果得到大大提升。然而，BP神经网络在训练的过程中却没有体现股票价格先后的时序关系，这在股票价格预测理论上具有很大的缺陷。此后，学者们提出了循环神经网络（RNN），然而，RNN在处理实际问题时经常会面临梯度消失的情况。1997年Hochreiter和Schmidhuber提出了长短期记忆模型（LSTM），用于克服RNN梯度消失的问题。二、长短期记忆模型介绍长短期记忆模型由Schmidhuber等人在1997年提出，简称的基本思路是基于生成通过时间的路径，使得导数既不消失也不会爆炸从而解决RNN存在的梯度消失问题。具有长短期记忆的递归神经网络已经成为与顺序数据相关的若干学习问题的有效且可扩展的模型。解决这些问题的早期方法要么针对特定问题进行了定制，要么不能扩展到长时间的依赖性。另一方面，LSTM在捕获长期时间依赖性方面是通用且有效的。它们不会受到困扰简单复发网络（SRN）[2]的优化障碍的困扰，并且已被用于推进许多困难问题的最新技术。这包括手写识别[3]和生成[4]，语言建模[5]和翻译[6]，语音声学建模[7]，语音合成[8]等。 LSTM的网络结构由记忆细胞、输入输出门以及遗忘门构成，如图1所示。LSTM结构体中不仅有外部的RNN循环，在内部还有自循环。这使得LSTM网络与普通循环网络相比有更多的参数和控制信息流动的门控系统。图1 LSTM网络框图细胞之间循环链接代替隐藏单元。如果sigmoid输入门允许，那么他可以将输入值x（t）累加到状态状态单元内的自环由遗忘门f（t）控制权重Wf.所有的门控单元都由sigmoid单元控制权重。状态值也同样作为门控的额外输入。C轩。 LSTM网络首先由输入门gi（t）（时刻t和细胞i）更新当前时刻有多少输入可以进入记忆单元，由sigmoid单元将权重控制在0~1之间：其中xj是当前t时刻的输入值，hj是当前隐藏层的输入值，b、U和W为LSTM细胞当中的偏置量、输入权重和输出权重；接着借由遗忘门fi（t）控制状态单元的自环，同样由sigmoid单元控制权重：更新当前时刻的状态值： LSTM细胞的内部状态更新：最后由输出门qi（t）读取并计算出输出值hi（t）其中b、U和W为输出门的偏置