论文部分内容阅读
股票价格的变化影响着投资者的投资决策。准确分析股票变化规律并预测出其发展走势,一直以来都是股民和证券公司所要解决的问题。目前,针对股票价格变化的预测已提出了各种各样的方法。预测股票的方法可以划分为两类:数学统计方法与机器学习方法。数学统计方法一般使用Logistic回归模型和ARCH模型等;机器学习方法包含多层感知神经网络、卷积神经网络、贝叶斯网络、BP网络、单层LSTM、支持向量机、RNN等。但是这些研究仅对单个值进行预测,为了同时预测多个值,需要设计一种能够同时处理多个相关联的股票价格,并且可以同时输出这些股票价格的模型--关联神经网络模型。本文所做的工作如下:1.提出了一种相互关联、多输出的基于长短期记忆网络(LSTM)的深度循环神经网络模型来预测股票的最高价、最低价和开盘价。并将本文设计的模型与LSTM网络模型和基于LSTM深层循环神经网络模型做对比实验。实验表明本文提出的基于LSTM深层循环网络的多值关联网络模型的精确度不仅优于其他两个模型,而且在保证精确度的情况下能够同时预测多个值,并且各个预测值的预测精度均在95%以上。2.对多值关联神经网络模型进行了修改,演变成一个多值不关联神经网络模型,在保证其他条件不变的情况下,对上证A股股票数据进行建模。实验结果发现多值关联神经网络各个子损失比多值不关联神经网络的各个子损失要低0.07左右,而多值关联神经网络各子分支的预测精度比多值不关联神经网络各子分支的预测精度高4%,进一步的说明了股票数据的最高价、最低价和开盘价格之间有一定的关系。3.本文应用多值关联模型来预测沪指和深指多支股票的最高价格,最低价格和开盘价格。