一种基于深度学习的A股大盘指数预测算法

游车洁菱 卜云

本文根据深度学习的理论，设计一种A股上证大盘指数的预测算法，并结合经验模态分解理论，将大盘指数分解成不同尺度的分量，并通过深度自编码器进行降维，输出信号作为深度神经网络的输入信号进行预测。在测试过程中，该算法表现出了很好的预测性能。

一、引言

随着现代信号处理技术的进步，一些时间序列预测算法逐渐被加入到股票预测的大家庭中。著名的算法包括移动平均、加权移动平均、指数平滑、线性与非线性回归等，但都存在滞后性较大的问题。

近年来，随着深度神经网络和深度学习的兴起，人们再一次看到了征服这一难题的希望。本文提出了一种基于经验模态分解（EMD）加深度自编码器的算法，用来预测A股大盘指数的走势。

二、深度学习的股票价格预测算法

股票数据是一种非线性、非平稳的信号，并且含有大量的噪声，已有预测算法多数仅适合于平稳随机信号。在1998年，黄锷提出了一种经验模态分解的方法，适用于非平稳环境，所以非常适合于股票数据分析与预测。

本文提出了一种结合EMD、深度自编码器（SAE）和深度神经网络的预测算法，对未来一天的大盘指数进行预测，如图1所示。输入信号首先经过EMD分解成多个IMF分量和余量，并输入深度自编码器SAE进行压缩，输出信号会传递给深度神经网络。图中的y（t）是预测信号，e（t）是预测误差。

（一）经验模态分解的原理

仿真结果如图3所示，其中点划线是真实的上證A股指数，实线是一步预测值。可以看到，在大部分时间预测效果较好。（作者单位：西华大学西华学院）