论文部分内容阅读
摘 要：针对国家对证券市场的监管和投资人对证券市场的决策而言，一个精确度更高的时间序列预测模型是很重要的。本文在吸取前人利用神经网络模型进行证券价格趋势预测中的经验，基于长短期记忆人工神经网络搭建时间序列，提出利用指数移动平均值均线对数据进行采样，以提高时间序列对证券价格趋势预测的准确性。本文采用的时间序列数据为上证指数日线收盘价，实验结果表明预测精确度提高70%，采用指数移动平均值均线对数据进行采样输入时间序列分析模型的预测效果优于传统方法进行数据采样。本文的实验结果为国家对市场的监督和投资者的决策提供了一定参考。
关键词：时间序列;指数移动平均值;神经网络;LSTM;深度学习
本文索引：陈腾劲 .<变量 2>[J].中国商论，2021（20）：-094.
中图分类号：F832.0 文献标识码：A 文章编号：2096-0298（2021）10（b）--03
时间序列分析是以已有的历史数据为根据，通过数学建模进行分析和判断未来发展趋势的一种手段，被广泛地运用在证券走势的预测当中。自20世纪80年代开始，在人工智能（Artificial Intelligence， AI）領域，人工神经网络（Artificial Neural Networks， ANN）受到越来越多的关注。得益于最近十多年来科技的进步，人们在半导体领域的探索不断深入，ANN的研究工作也不断向前迈进，已经取得了很大的进展。传统的时间序列分析方法因其对高噪声序列分析的效果不佳，又因证券价格为高噪声序列，故难以对证券价格趋势的变动做出科学的、严谨的判断，而ANN容易处理不完整的、模糊不确定或规律性不明显、高噪声的数据，所以用ANN进行价格预测的优势是传统时间序列模型无法相提并论的。
长短期记忆人工神经网络（Long-Short Term Memory， LSTM）是人工神经网络的一种，衍生于循环人工神经网络（Recurrent Neural Network， RNN），因其具有负责计算时间序列中各个观测值之间依赖性的能力，所以，LSTM通常被用于预测目的[1]。又因其具有快速适应趋势中急剧变化的固有能力，所以，LSTM可以在波动的时间序列中很好地工作。传统的时间序列分析模型，如差分整合移动平均自回归模型 （Autoregressive Integrated Moving Average Model， ARIMA）则无法尽快适应证券价格的突然剧烈变动。
一个精确度高的时间序列分析模型对证券市场的价格进行分析和预测，将有助于国家对宏观经济政策的把控，也能为投资者带来极大的利润。本文将运用LSTM模型对证券价格进行时间序列分析，并分别以收盘价和以指数移动平均值均线 （Exponential Moving Average， EMA）价格进行采样，对比两个不同采样方式的误差率，评估两种采样方式的预测效果，为国家对市场的监督和投资者的决策提供参考。
1 LSTM模型原理
由于RNN模型没有长期记忆能力和会出现梯度爆炸或者梯度消失等弊端，在RNN模型的基础之上，Juergen Schmidhuber提出了LSTM模型。
LSTM除了RNN结构外，还具有阀门节点层。有三种类型的阀门：忘记门，输入门和输出门。这些阀门可以被打开或关闭，用于确定模型网络的内存状态（前一个网络的状态）的输出是否达到阈值，从而添加到该层的当前计算中。
ft，it，ot和Ct分别表示在t时刻对应的三种门结构和细胞状态;Wf，Wi，Wo和Wc表示循环层的权重矩阵;σ表示激活函数，一般为sigmoid函数或者tanh函数;bf，bi，bo和bc表示偏置向量，LSTM模型的计算公式如下[2]：
2 EMA均线原理
EMA均线是一种趋向类指标，其构造的原理是对收盘价进行算术平均，并且把不同时间的平均值连接成一条平滑的曲线，用于判断证券价格未来走势的变动趋势。对序列{xn}定义其截至第n项的周期为N的指数移动平均 EMAN（xn）的计算公式：
由于x1之前没有数据，一般都会补充定义x0=x-1=x-2=…=x1。这样自然就能给出EMAN（x1）=x1的结果。从定义式中，我们可以看出EMA均线加权平均的特性。在EMA均线指标中，时间越靠近当天（当期）时刻，该证券价格所获得的权重越大。这说明EMA函数对近期的证券价格逐步增加权重比，更能及时反映近期的证券价格的波动情况[3]。
3 模型构建
本文基于Python3.8和Tensorflow环境下的Keras API进行LSTM模型的搭建。
本文搭建的LSTM模型共有1层隐藏层，该隐藏层内含有的神经元数量为128个。
人工神经网络运用梯度下降法在反向传播过程中，迭代出最佳的损失残差，能更好地基于训练数据迭代地更新神经网络权重[4]。本文选用的梯度下降迭代器为Adam优化算法。
本文中选择用于衡量训练误差的损失函数为均方误差（Mean Squared Error， MSE）。训练过程中，随着迭代次数不断增加，MSE的值会不断缩小，当MSE的值越来越接近于0，说明LSTM模型拟合的效果越来越好[5]。
在对神经网络模型进行多次训练之后，发现Epochs次数为1000时，模型对数据拟合的损失函数MSE的值最小，即拟合的精确度最高，故本文所选用的Epochs次数为1000次，选用的输入数据批次大小 （Batch Size）为128，数据采样的滑动窗口设置为1。
本文利用LSTM神经网络建立了两个不同的模型来进行证券价格的预测，具体模型描述如下：
模型一：利用连续采样单纯的历史收盘价作为模型的输入数据;
模型二：利用连续采用的历史收盘价的EMA价格作为模型的输入数据。 4 实证分析
4.1 數据选取
本文选取的训练数据集为上证指数2019年1月1日至2020年12月31日之前的日线收盘价和其5日EMA均线价格，数据前十行如表1所示。
4.2 数据预处理
在人工神经网络领域，不同的评价指标一般具有不同的维度和维度单位，这可能会影响数据分析的最终结果，为了消除不同指标之间维度的影响，有必要规范数据处理， 在不同的数据指标之间建立一座可以相互比较的桥梁。数据标准化处理后，对于不同的指标，原始数据都处于同一数量级，适合综合比较评价。在数据标准化的方法中，最典型的是对数据进行归一化。通常，在将数据输入到神经网络之前的原始数据集中，需要对原始数据集进行归一化操作，这是将预处理后的数据限制在一定范围内（如[0，1]或[-1，1]），从而达到消除奇异样本数据的目的，以避免样本数据带来的不良影响。本文采用sklearn库中的MinMaxScaler函数对数据进行归一化操作。
在归一化操作之后，将数据集按照8∶2的比例划分成训练集和测试集，训练集的数据量为总数据集含量的前80%，而测试集的数据量则为总数据集含量的后20%。
4.3 神经网络训练
将预处理后的训练集数据输入LSTM神经网络当中，模型一与模型二对训练集数据拟合效果分别如图1所示，蓝色实线为原数据，红色虚线为LSTM神经网络拟合后的数据。
4.4 神经网络预测
在LSTM神经网络训练完成后，针对模型一和模型二分别给出了预测结果以及对应的MSE的值，模型一和模型二的预测结果如图2所示，而模型一的MSE值为0.0012，模型二的MSE值为0.00036104。
5 结语
本文利用LSTM神经网络模型建立两个不同的证券价格趋势预测模型，实证分析采用不同的采样方法，从而得出两组不同的实验数据。对比两组实验数据可以看出，模型二的MSE值远小于模型一的MSE值，即采用5日EMA均线价格采样的LSTM神经网络模型对金融时间序列的预测精确度要比收盘价连续采样的LSTM神经网络模型高，说明在趋势信息的提取上，EMA均线是有效果的。
本文所提出的模型构想存在一些不足与发展空间。首先，由于本文所采用的数据皆为历史数据，历史数据无法体现证券价格的实时变化趋势，本文也没有对未来的走势进行拟合预测，而在实际的证券市场中，价格趋势瞬息万变，政府的监管政策和投资人的投资策略都需要提前布局，该模型在这一方面还有发展的空间。其次，本文中的EMA均线周期只试验了5日EMA均线，并未测试其他周期，在未来的研究中，可以从EMA均线的周期这一角度去推进，并验证周期对该模型的影响。最后，本文只对上证指数进行了实验，并未收集其他证券价格的数据输入模型进行拟合，尚未验证该模型对其他证券价格趋势的泛用性，故在未来的研究当中，还能从这一角度出发，探究该模型对其他证券价格趋势的泛用性。
参考文献
郭文惠.IaaS云环境下延迟感知的游戏运营成本优化策略研究[D].呼和浩特：内蒙古大学，2020.
杨甲甲，刘国龙，赵俊华，等.采用长短期记忆深度学习模型的工业负荷短期预测方法[J].电力建设，2018，39（10）：20-27.
李国平，顾劲涛.均线MA与EMA孰优？[N].期货日报，2020-09-02（3）.
李珍珍，吴群.基于LSTM神经网络的股票预测算法研究[J].福建电脑，2019，35（7）：41-43.
刘洋，姜涛，段学鹏.基于YOLOv3的复杂天气条件下人车识别方法的研究[J].长春理工大学学报（自然科学版），2020，43（6）：57-65.
高浩，杨泽宇，徐枫，等.一种基于关节点提取的人体运动轨迹分析方法[P].江苏省：CN110458046B，2020-11-24.
王鹏，邓蕾，汤宝平，等.基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测[J].振动与冲击，2020，39（17）：106-111+133.
肖郴杰，顾正晖，俞祝良.一种基于LSTM网络的P300信号检测方法[P].广东省：CN108304917B，2020-11-24.
Time Series Security Price Trend Prediction Based on LSTM Neural Network
——Taking Exponential Moving Average for Sampling
Nanfang College Guangzhou CHEN Tengjin
Abstract： In light of the government’s supervision of bond markets and investor’s decision of bond markets， a more precise time series model is very important. This paper has learned lessons of time series price trend prediction using LSTM neural networks of previous researchers and purposed a sampling method using exponential moving average for improving precision of time series model’s prediction of security price trend based on the construction of time series by using long- and short- term memory artificial neural network. This paper uses daily close price of Shanghai Securities Composite Index as data of time series. The result shows the precision of prediction increases by 70% and sampling based on exponential moving average is better than sampling based on traditional way. The result of this paper provides guidance for the government’s supervision and investor’s decision of bond markets.
Keywords： time series; exponential moving average; neural networks; LSTM; deep learning
关键词：时间序列;指数移动平均值;神经网络;LSTM;深度学习
本文索引：陈腾劲 .<变量 2>[J].中国商论，2021（20）：-094.
中图分类号：F832.0 文献标识码：A 文章编号：2096-0298（2021）10（b）--03
时间序列分析是以已有的历史数据为根据，通过数学建模进行分析和判断未来发展趋势的一种手段，被广泛地运用在证券走势的预测当中。自20世纪80年代开始，在人工智能（Artificial Intelligence， AI）領域，人工神经网络（Artificial Neural Networks， ANN）受到越来越多的关注。得益于最近十多年来科技的进步，人们在半导体领域的探索不断深入，ANN的研究工作也不断向前迈进，已经取得了很大的进展。传统的时间序列分析方法因其对高噪声序列分析的效果不佳，又因证券价格为高噪声序列，故难以对证券价格趋势的变动做出科学的、严谨的判断，而ANN容易处理不完整的、模糊不确定或规律性不明显、高噪声的数据，所以用ANN进行价格预测的优势是传统时间序列模型无法相提并论的。
长短期记忆人工神经网络（Long-Short Term Memory， LSTM）是人工神经网络的一种，衍生于循环人工神经网络（Recurrent Neural Network， RNN），因其具有负责计算时间序列中各个观测值之间依赖性的能力，所以，LSTM通常被用于预测目的[1]。又因其具有快速适应趋势中急剧变化的固有能力，所以，LSTM可以在波动的时间序列中很好地工作。传统的时间序列分析模型，如差分整合移动平均自回归模型 （Autoregressive Integrated Moving Average Model， ARIMA）则无法尽快适应证券价格的突然剧烈变动。
一个精确度高的时间序列分析模型对证券市场的价格进行分析和预测，将有助于国家对宏观经济政策的把控，也能为投资者带来极大的利润。本文将运用LSTM模型对证券价格进行时间序列分析，并分别以收盘价和以指数移动平均值均线 （Exponential Moving Average， EMA）价格进行采样，对比两个不同采样方式的误差率，评估两种采样方式的预测效果，为国家对市场的监督和投资者的决策提供参考。
1 LSTM模型原理
由于RNN模型没有长期记忆能力和会出现梯度爆炸或者梯度消失等弊端，在RNN模型的基础之上，Juergen Schmidhuber提出了LSTM模型。
LSTM除了RNN结构外，还具有阀门节点层。有三种类型的阀门：忘记门，输入门和输出门。这些阀门可以被打开或关闭，用于确定模型网络的内存状态（前一个网络的状态）的输出是否达到阈值，从而添加到该层的当前计算中。
ft，it，ot和Ct分别表示在t时刻对应的三种门结构和细胞状态;Wf，Wi，Wo和Wc表示循环层的权重矩阵;σ表示激活函数，一般为sigmoid函数或者tanh函数;bf，bi，bo和bc表示偏置向量，LSTM模型的计算公式如下[2]：
2 EMA均线原理
EMA均线是一种趋向类指标，其构造的原理是对收盘价进行算术平均，并且把不同时间的平均值连接成一条平滑的曲线，用于判断证券价格未来走势的变动趋势。对序列{xn}定义其截至第n项的周期为N的指数移动平均 EMAN（xn）的计算公式：
由于x1之前没有数据，一般都会补充定义x0=x-1=x-2=…=x1。这样自然就能给出EMAN（x1）=x1的结果。从定义式中，我们可以看出EMA均线加权平均的特性。在EMA均线指标中，时间越靠近当天（当期）时刻，该证券价格所获得的权重越大。这说明EMA函数对近期的证券价格逐步增加权重比，更能及时反映近期的证券价格的波动情况[3]。
3 模型构建
本文基于Python3.8和Tensorflow环境下的Keras API进行LSTM模型的搭建。
本文搭建的LSTM模型共有1层隐藏层，该隐藏层内含有的神经元数量为128个。
人工神经网络运用梯度下降法在反向传播过程中，迭代出最佳的损失残差，能更好地基于训练数据迭代地更新神经网络权重[4]。本文选用的梯度下降迭代器为Adam优化算法。
本文中选择用于衡量训练误差的损失函数为均方误差（Mean Squared Error， MSE）。训练过程中，随着迭代次数不断增加，MSE的值会不断缩小，当MSE的值越来越接近于0，说明LSTM模型拟合的效果越来越好[5]。
在对神经网络模型进行多次训练之后，发现Epochs次数为1000时，模型对数据拟合的损失函数MSE的值最小，即拟合的精确度最高，故本文所选用的Epochs次数为1000次，选用的输入数据批次大小 （Batch Size）为128，数据采样的滑动窗口设置为1。
本文利用LSTM神经网络建立了两个不同的模型来进行证券价格的预测，具体模型描述如下：
模型一：利用连续采样单纯的历史收盘价作为模型的输入数据;
模型二：利用连续采用的历史收盘价的EMA价格作为模型的输入数据。 4 实证分析
4.1 數据选取
本文选取的训练数据集为上证指数2019年1月1日至2020年12月31日之前的日线收盘价和其5日EMA均线价格，数据前十行如表1所示。
4.2 数据预处理
在人工神经网络领域，不同的评价指标一般具有不同的维度和维度单位，这可能会影响数据分析的最终结果，为了消除不同指标之间维度的影响，有必要规范数据处理， 在不同的数据指标之间建立一座可以相互比较的桥梁。数据标准化处理后，对于不同的指标，原始数据都处于同一数量级，适合综合比较评价。在数据标准化的方法中，最典型的是对数据进行归一化。通常，在将数据输入到神经网络之前的原始数据集中，需要对原始数据集进行归一化操作，这是将预处理后的数据限制在一定范围内（如[0，1]或[-1，1]），从而达到消除奇异样本数据的目的，以避免样本数据带来的不良影响。本文采用sklearn库中的MinMaxScaler函数对数据进行归一化操作。
在归一化操作之后，将数据集按照8∶2的比例划分成训练集和测试集，训练集的数据量为总数据集含量的前80%，而测试集的数据量则为总数据集含量的后20%。
4.3 神经网络训练
将预处理后的训练集数据输入LSTM神经网络当中，模型一与模型二对训练集数据拟合效果分别如图1所示，蓝色实线为原数据，红色虚线为LSTM神经网络拟合后的数据。
4.4 神经网络预测
在LSTM神经网络训练完成后，针对模型一和模型二分别给出了预测结果以及对应的MSE的值，模型一和模型二的预测结果如图2所示，而模型一的MSE值为0.0012，模型二的MSE值为0.00036104。
5 结语
本文利用LSTM神经网络模型建立两个不同的证券价格趋势预测模型，实证分析采用不同的采样方法，从而得出两组不同的实验数据。对比两组实验数据可以看出，模型二的MSE值远小于模型一的MSE值，即采用5日EMA均线价格采样的LSTM神经网络模型对金融时间序列的预测精确度要比收盘价连续采样的LSTM神经网络模型高，说明在趋势信息的提取上，EMA均线是有效果的。
本文所提出的模型构想存在一些不足与发展空间。首先，由于本文所采用的数据皆为历史数据，历史数据无法体现证券价格的实时变化趋势，本文也没有对未来的走势进行拟合预测，而在实际的证券市场中，价格趋势瞬息万变，政府的监管政策和投资人的投资策略都需要提前布局，该模型在这一方面还有发展的空间。其次，本文中的EMA均线周期只试验了5日EMA均线，并未测试其他周期，在未来的研究中，可以从EMA均线的周期这一角度去推进，并验证周期对该模型的影响。最后，本文只对上证指数进行了实验，并未收集其他证券价格的数据输入模型进行拟合，尚未验证该模型对其他证券价格趋势的泛用性，故在未来的研究当中，还能从这一角度出发，探究该模型对其他证券价格趋势的泛用性。
参考文献
郭文惠.IaaS云环境下延迟感知的游戏运营成本优化策略研究[D].呼和浩特：内蒙古大学，2020.
杨甲甲，刘国龙，赵俊华，等.采用长短期记忆深度学习模型的工业负荷短期预测方法[J].电力建设，2018，39（10）：20-27.
李国平，顾劲涛.均线MA与EMA孰优？[N].期货日报，2020-09-02（3）.
李珍珍，吴群.基于LSTM神经网络的股票预测算法研究[J].福建电脑，2019，35（7）：41-43.
刘洋，姜涛，段学鹏.基于YOLOv3的复杂天气条件下人车识别方法的研究[J].长春理工大学学报（自然科学版），2020，43（6）：57-65.
高浩，杨泽宇，徐枫，等.一种基于关节点提取的人体运动轨迹分析方法[P].江苏省：CN110458046B，2020-11-24.
王鹏，邓蕾，汤宝平，等.基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测[J].振动与冲击，2020，39（17）：106-111+133.
肖郴杰，顾正晖，俞祝良.一种基于LSTM网络的P300信号检测方法[P].广东省：CN108304917B，2020-11-24.
Time Series Security Price Trend Prediction Based on LSTM Neural Network
——Taking Exponential Moving Average for Sampling
Nanfang College Guangzhou CHEN Tengjin
Abstract： In light of the government’s supervision of bond markets and investor’s decision of bond markets， a more precise time series model is very important. This paper has learned lessons of time series price trend prediction using LSTM neural networks of previous researchers and purposed a sampling method using exponential moving average for improving precision of time series model’s prediction of security price trend based on the construction of time series by using long- and short- term memory artificial neural network. This paper uses daily close price of Shanghai Securities Composite Index as data of time series. The result shows the precision of prediction increases by 70% and sampling based on exponential moving average is better than sampling based on traditional way. The result of this paper provides guidance for the government’s supervision and investor’s decision of bond markets.
Keywords： time series; exponential moving average; neural networks; LSTM; deep learning