论文部分内容阅读
伴随着中国经济的不断发展和完善,股票投资已成为现阶段国民投资理财的一种热门选择。股价的走势不但直接影响着股票市场的稳定,还关乎经济和金融的良态发展。投资者在投资过程中常常需要对股票的走势进行预测以获取利益,不仅如此,政府等有关部门也需要对市场进行及时有效的监管和指导。但是股票作为一极其繁复的动态系统,会受到许多因素的影响,其中,内部因素有公司的发展动向等,外部因素有宏观经济的发展状况等。正是因为股票市场的波动性、非线性、信噪比低等特点,使得股价走势的预判过程非常的复杂和艰难。而股指能够及时全面地反映股市的变化,从中可以看出股价的走势。因此,股指预测对于帮助投资者理解和做出准确的决策具有重要意义。它同时也是金融领域以及计算机领域共同的一个具有现实意义的课题。长短时记忆神经网络(LSTM)一般用于自然语言处理,但是对于时间序列的预测也有人做了相关研究,证明该模型能带来一定的效果。本文在LSTM的基础上加入两个注意力机制(DA)来对沪深300股票指数进行预测。它由具有输入注意力机制的编码器和具有时间注意力机制的解码器组成。输入注意力机制可以自适应地选择最终影响股指上涨或下跌的相关成份股。时间注意力机制可以捕获长时间范围内的编码输入的时间信息。基于这两种注意力机制,构建的加入注意力机制的长短时记忆神经网络模型(DA-LSTM)不仅可以自适应地选择最相关的输入特征,还可以适当地捕获时间序列的长期时间依赖性。另外,在特征因子的选择上,本文将沪深300股票指数的成份股及股指收盘价作为预测模型的特征因子,对股指收盘价进行实证分析。在本文中,还探讨了样本指标、实验数据的选取;网络结构的构成;隐藏层节点个数、学习率及激活函数等超参数的选取。实验结果表明,从模拟及预测的效果看来,构建的DA-LSTM神经网络能够取得优于LSTM神经网络的预测效果,且能够较为准确的预测出近一段时间股指的未来走势,因此该模型对实际投资将有一定的指导意义。