基于生成式对抗神经网络的股票预测研究

严冬梅，李 斌

天津财经大学 理工学院，天津 300222

随着我国经济的高速发展，人们投资理财的意识不断提高。股票作为一种操作便捷、高风险、高收益的投资标的，深受广大投资者关注。影响股票价格走势的因素很多，例如数据体量大、难以量化。传统的股票预测方法以计量经济学为主。20 世纪80 年代，随着玻尔兹曼机和反向传播（backpropagation，BP）算法[1]的出现解决了多层网络的训练问题，神经网络逐渐走进了研究人员的视野。文献[2-4]等学者将BP神经网络用于股市建模与决策，证明了BP 神经网络对股票预测存在实用性价值。

近年来随着循环神经网络在解决时间序列问题上展现出的独特优势，不少专家学者利用长短期记忆（long short-term memory，LSTM）人工神经网络、门控循环单元（gated recurrent unit，GRU）等循环神经网络及其变体进行股票预测，取得了不错的效果。文献[5]论述了使用BP 神经网络进行股票预测存在的诸多不合理性，创新性地将LSTM 网络用在股票这种金融时间序列的预测研究上。虽然只是对LSTM模型进行参数优化，未涉及模型上的改进创新，但是通过实验对比仍旧验证了LSTM模型在股票预测上比BP网络模型更加精准。文献[6]以美股中微软等有代表性的股票作为研究对象，利用LSTM网络进行预测，结果表明LSTM模型在美股预测中可以保持较高的预测精度。文献[7]提出了一种基于主成分分析的LSTM模型对股票进行预测，将行情数据与技术面数据结合在一起通过主成分分析对数据进行降维，再通过LSTM 模型对股票数据进行预测，与传统的LSTM相比大大降低了预测误差，并且减少了运行时间。……