基于双层LSTM 模型的股票趋势预测研究

李见平

（首都经济贸易大学，北京 100070）

1 引言

随着中国经济的快速发展，证券市场在中国经济领域的作用日益凸显，股票市场非线性、非平稳性和高复杂性等特点，使得对股票市场的预测变得困难[1]。国内对于股票趋势的研究，主要是利用机器学习模型或金融时间序列模型进行分析。戴德宝等[2]将技术指标和股票的文本信息融合，利用支持向量机（SVM）和人工神经网络（ANN）对股票趋势进行预测。徐浩然[1]对分形特征选择方法进行改进，并和支持向量机（SVM）结合，对多个股票的趋势进行预测，得到了比其他特征选择算法更好的结果。柏万宽[3]利用循环神经网络（RNN）能处理时序问题的特性，将之应用于股票预测领域。但是RNN 容易发生梯度消失或者梯度弥散，长短时记忆网络（LSTM）是对RNN 的改进，通过特殊的门限结构来有效缓解RNN 的问题。

本文以上证综指为研究对象，构建了双层LSTM 深度学习模型，对股票未来的价格涨跌进行了研究，最后将该模型与常见的机器学习模型（支持向量机、决策树、神经网络）进行对比，利用分类评价指标对各个模型的表现进行评价。

2 LSTM 原理

长短时记忆网络（LSTM）是对RNN 的改进，由于其特殊的结构，能够有选择性地记忆过去重要的信息，而有效避免RNN 在很长的时间步长时发生梯度爆炸。LSTM 有三个重要的门限结构，其结构分别为：①遗忘门，决定细胞状态丢失何种信息。遗忘门的更新公式为ft=σ（Wf·[ht-1，xt]+bf），其中，ft为遗忘门的输出，σ为sigmoid 激活函数，Wf为遗忘门的权重，ht-1为上一刻的隐含层的状态，xt为当前的输入，bf为遗忘门的偏置。……