10.16055/j.issn.1672-058X.2022.0002.011
基于Attention机制的LSTM股价预测模型
针对时间序列分析方法和神经网络对于股价预测具有一定局限性的问题,将基于Attention机制的LSTM模型应用于股价预测;以2014-01-02—2020-09-22日的上证工业指数、上证环保指数等相关数据为样本,在LSTM模型中引入Attention机制,使模型聚焦于重要的股价特征信息,预测股票第二日的最高价;实证研究发现,相较于MLP,RNN和LSTM模型,基于Attention机制的LSTM模型的RMSE值比基准模型平均降低了3％-45％左右,4种模型对环保企业的预测精度均高于污染企业;随后将空气质量指数,温度和湿度纳入特征,提升反映污染企业和环保企业股价规律相关特征的数据质量,实证结果发现在加入新的特征以后,4种模型在预测上证工业指数和上证环保指数波动趋势时,RMSE值均下降了1％左右.
空气质量、注意力机制、长短期记忆网络、股价预测
39
TP181(自动化基础理论)
国家自然科学基金71771152
2022-04-14（万方平台首次上网日期，不代表论文的发表时间）
共8页
75-82
