LSTM神经网络在股票价格趋势预测中的应用
——基于美港股票市场个股数据的研究

2018-08-16 01:07:48
金融经济 2018年14期
关键词:模型

一、前言

截至2017年年底,全球股市总市值逼近百万亿美元,世界上市公司总数超过4万家[1],全球股票市场达到空前规模,其波动对全球经济的影响是重大而深远的。虽然丰富的历史股票信息为广大投资者和分析者提供了数据资源,但是单单依靠分析者的个人经验和直觉进行分析与判断,显然不可靠且低效,因此人们需要一个智能、科学且高效的研究方法来帮助指导股票交易。由于金融时间序列具有非平稳性、非线性、高噪声的特点,传统的统计学模型难以对其作出较高精度的预测。 而神经网络机器学习算法以其良好的非线性逼近能力和自学自适应等特点,成为目前比较流行的预测手段。其中,LSTM神经网络作为一种新型可实现的递归神经网络模型,其具备选择性记忆性以及时序内部影响的特性极适用于股票价格时间序列这种类随机的非平稳序列。

在过去几年,国外学者对于RNN神经网络以及LSTM 神经网络的运用多为图片识别以及人工智能,国内科学家以及学者们更加倾向研究神经网络与其他统计学和计量经济学数学模型的结合使用,从而优化设计,得到更好的预测结果[2]。对于LSTM神经网络,国内学者也仅在近四五年将其运用在数据挖掘的分类算法上,基于 LSTM 神经网络在这些方面的优异表现,文章旨在探究LSTM神经网络是否可以应用于个股的价格趋势预测。

二、模型原理介绍

LSTM(Long Short-Term Memory)是长短期记忆网络,是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。……

登录APP查看全文

猜你喜欢
模型
一半模型
一种去中心化的域名服务本地化模型
适用于BDS-3 PPP的随机模型
函数模型及应用
p150Glued在帕金森病模型中的表达及分布
函数模型及应用
重尾非线性自回归模型自加权M-估计的渐近分布
3D打印中的模型分割与打包
FLUKA几何模型到CAD几何模型转换方法初步研究
一个相似模型的应用