10.16055/j.issn.1672-058X.2023.0002.015
基于深度学习和小波分析的LSTM-Wavelet模型股价预测
针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短记忆网络(LSTM-Wavelet)模型应用于股价预测.首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构.使用中石油近两年的股价数据进行实证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价.结果表明:相较于标准LSTM模型和小波-ARIMA(ARIMA-Wavelet)模型,提出的LSTM-Wavelet模型有更好的预测效果;通过小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征进行分层预测,提高了预测精度.
股价预测、小波分解、LSTM模型、LSTM-Wavelet模型
40
TP183(自动化基础理论)
重庆市科委自然科学基金资助项目CSTC2020JCYJ-MSXMX0162
2023-05-09(万方平台首次上网日期,不代表论文的发表时间)
共7页
99-105