结合深度学习和分解算法的股票价格预测研究

张倩玉，严冬梅，韩佳彤

天津财经大学 理工学院，天津300222

股票市场是投资市场最重要的组成部分之一。与其他行业相比，股票市场有着更高的投资回报率，同时也存在着更高的风险，股票市场预测一直是投资者密切关注的问题。因此，对股票市场预测方法的研究以及如何减小股票价格预测的误差成为了国内外众多学者的研究热点。目前，常见的股票预测方法包括计量经济学方法和机器学习方法。

计量经济学方法是人们根据统计学理论，应用统计分析模型对股票价格进行预测。常用的模型有自回归滑动平均模型（Autoregressive Moving Average，ARMA）、差分整合移动平均自回归模型（Autoregressive Integrated Moving Average，ARIMA）、广义自回归条件异方差模型（Autoregressive Conditional Heteroskedasticity，GRACH）。吴玉霞等人[1]通过建立ARIMA模型对创业板市场股票价格的变动规律和趋势进行了预测。杨琦等人[2]对数据初步分析并建立了ARMA模型，后通过加入GARCH项来消除模型中的条件异方差性，得到ARMA-GARCH模型对大众公用股票价格进行分析预测。计量经济学模型虽然比较客观，有良好的理论支撑，但其优势体现在处理线性数据上且需要严格的基础假设，而股票价格序列是一种复杂的非线性时间序列，因此使用传统的计量经济模型无法达到最理想的预测效果。

与计量经济模型相比，机器学习方法可直接从数据中挖掘有价值的信息，无需预先制定假设，并且机器学习方法能更好地处理非线性数据，因此被广泛应用于股票价格预测。常用的机器学习方法包括决策树、支持向量机（Support Vector Machine，SVM）、支持向量回归机（Support Vactor Regression，SVR）、神经网络等。……