论文部分内容阅读
自从股票市场诞生以来,人们就一直不断使用各种数据模型、机器学习以及数据挖掘等手段来预测股票价格的未来走势从而获取巨额收益。其中神经网络机器学习算法被广泛使用,这是由于神经网络自身的高度自学习性,稳定性以及抽象模拟能力,相比于统计学以及计量经济学中的数学模型,神经网络用于预测金融时间序列更具优势。本文在深入分析股票价格短期预测面临的问题和比较多种股票价格预测方法的基础上,探讨BP神经网络、RNN神经网络和LSTM神经网络对股票价格进行短期预测的可行性并作出相应对比,研究模型准确性。在此基础上对LSTM模型进行了算法改进以及模型结构改进。根据对比验证,以及理论研究,LSTM神经网络模型能够通过对过往股票市场数据的学习,找出时间序列之间的影响和关系,并能利用选择性记忆的高级机器学习功能,深入挖掘出股票价格时间序列中的固有规律,从而进行短期时间序列预测。文中主要研究以下几点:针对以往的BP神经网络股票预测模型进行深度剖析,并在理论上解释该模型预测时间序列的不合理性,并作出实证。提出引入时序概念的RNN神经网络,并与BP神经网络进行对比研究,然后在RNN神经网络的基础上进行模型修正,引入LSTM神经网络的概念,并实证该模型对于股票预测的可行性以及准确性。最后,对LSTM模型理论进行讨论分析,并改进模型,同时实证分析。针对股票价格数据影响因素多的问题,选用收盘价、开盘价、最高价、最低价以及成交量这几个最关键的影响价格因素,作为神经网络每一层神经元的自变量。同时,节选中美股市代表性的上证综指以及标准普尔500指数和道琼斯工业指数来进行研究。美股指数分别选取了日成交量最大和日成交量最小两个指数来进行研究对比,测试模型准确性。同时也根据中美股市不同特点来验证模型的实用性及准确性。