隨著國家經(jīng)濟不斷的發(fā)展和人民生活水平的提高,股票投資已經(jīng)成為很多民眾重要的投資方式之一�？墒枪善蓖顿Y會面臨一定的風險,因此對于股票投資者來說能更好的預(yù)測股票走勢是非常重要和有意義的。然而股票的變化趨勢相對復雜,數(shù)據(jù)量大,數(shù)據(jù)的信息重疊度高,數(shù)據(jù)的波動值較大等,對于一些傳統(tǒng)的預(yù)測模型來說,不僅訓練時長增加且不易學習到變化的規(guī)律,這些都會導致一些股票模型預(yù)測結(jié)果不理想,與實際數(shù)據(jù)差異大�；诖吮菊撐耐ㄟ^卷積神經(jīng)網(wǎng)絡(luò)(CNN)改進長短期記憶(LSTM)模型并聯(lián)合GM(1,1)灰色模型構(gòu)建混合模型,對股票的價格進行了預(yù)測研究,主要研究內(nèi)容如下:1.數(shù)據(jù)處理。在股票官方網(wǎng)站選取滬深兩大股市中具有代表性的股票,收集40萬條歷史股票信息,通過My SQL數(shù)據(jù)庫進行存儲,并對數(shù)據(jù)進行研究性分析篩選。2.改進LSTM模型。在LSTM模型前增加卷積神經(jīng)網(wǎng)絡(luò)模型進行數(shù)據(jù)處理,整合LSTM模型和CNN模型的特點來解決因記憶模塊能力有限造成的預(yù)測滯后的問題。3.傳統(tǒng)預(yù)測。對改進的LSTM模型和GM(1,1)模型單獨進行股票預(yù)測,實驗預(yù)測結(jié)果顯示兩種模型對股票收盤價預(yù)測表現(xiàn)良好,但是GM(1,1)對長數(shù)據(jù)處理能力...

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

圖2.1LSTM結(jié)構(gòu)圖

2相關(guān)基礎(chǔ)理論與關(guān)鍵技術(shù)碩士研究生學位論文62相關(guān)基礎(chǔ)理論與關(guān)鍵技術(shù)2.1相關(guān)模型2.1.1LSTMLSTM作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，解決了長序列訓練過程中梯度消失和爆炸的問題，網(wǎng)絡(luò)結(jié)構(gòu)更加復雜。LSTM引入了一種細胞狀態(tài)，并結(jié)合了遺忘、輸入和輸出門來丟棄、維護和更新信息。模型....

圖3.1滬深300成分股權(quán)重占比Figure3.1ProportionofsharesofCSI300component

3數(shù)據(jù)集的構(gòu)建與數(shù)據(jù)處理碩士研究生學位論文14從網(wǎng)易財經(jīng)官方網(wǎng)站中下載數(shù)據(jù)后，以CSV的格式保存在數(shù)據(jù)庫中進行統(tǒng)一的管理。同時為了更好的分析股票，從中證指數(shù)網(wǎng)站下載最新的滬深300股票權(quán)重比例。滬深300部分股票權(quán)重結(jié)構(gòu)如表3.2所示。表3.2部分成分股權(quán)重Table3.2Equ....

圖4.1改進的LSTM模型流程圖

?優(yōu)勢和特點來改進LSTM模型，在LSTM模型前增加CNN模型進行數(shù)據(jù)處理，利用CNN自身特征提取和降維的優(yōu)勢，可以減少LSTM模型在預(yù)測時的數(shù)據(jù)量，提高數(shù)據(jù)處理的速度和LSTM模型的數(shù)據(jù)記憶能力。為了發(fā)揮出LSTM模型自身數(shù)據(jù)記憶能力的優(yōu)勢并降低網(wǎng)絡(luò)的負載冗余增量，在改進的LS....

圖4.2LSTM-CNN模型的架構(gòu)

4基于改進LSTM和GM(1,1)的混合模型股票預(yù)測碩士研究生學位論文22圖4.2LSTM-CNN模型的架構(gòu)Figure4.2ArchitectureoftheLSTM-CNNmodel4.3實驗方案及結(jié)果分析4.3.1數(shù)據(jù)預(yù)處理實驗數(shù)據(jù)：在網(wǎng)易財經(jīng)網(wǎng)中下載上海交易所2010年1....

本文編號：3998799