基于经验模态分解与投资者情绪的Attention-BiLSTM股价趋势预测模型

股票价格的变动是投资者在股票市场关注的焦点，所以股价趋势预测一直是量化投资研究的热门话题。传统的机器学习预测模型难以处理非线性、高频率、高噪声的股价时间序列，使得股票价格趋势的预测精度低。为了提高预测精度，针对股票价格数据的时序性特征，提出用结合经验模态分解（EMD）、投资者情绪和注意力机制的双向长短期记忆神经网络来对股票价格进行涨跌预测。首先使用经验模态分解算法提取股票价格时间序列在不同时间尺度上的特征，并通过构建金融情感词典来提取上一个股票交易日收盘后至下一个交易日开盘前文本的投资者情绪指标，最后使用注意力机制优化的BiLSTM模型对下一个股票交易日进行涨跌预测。在股票价格序列的数据集上进行实验，结果表明，改进后的BiLSTM模型较改进前的BiLSTM模型，准确率从58.50%提升至71.26%；预测为涨的精确率从58.20%提升至70.06%，预测为跌的精确率从59.34%提升至72.36%；预测为涨的召回率从59.85%提升至73.41%，预测为跌的召回率从57.73%提升至69.11%；预测为涨的F1值从58.60%提升至71.61%，预测为跌的F1值从58.08%提升至70...     

基于经验模态分解与投资者情绪的长短期记忆网络股票价格涨跌预测模型

针对传统的基于统计学的回归股票预测模型难以表征多个变量之间的关系,预测出的股票价格趋势误差较大,提出一种基于经验模态分解（EMD）与投资者情绪的长短期记忆（LSTM）神经网络股票价格涨跌预测模型。首先,将股票收盘价通过EMD分解得到若干个具有不同时间尺度的局部特征信号的本征模函数（IMF）;其次,通过引入改进的股票领域情感词典,对东方财富网股吧的帖子,进行上一个股票交易日收盘后和下一个股票交易日开盘前的投资者情感分析,得到下一个股票交易日的投资者情绪指标;最后,将基础的股票基本行情数据、经过EMD得到的IMF以及投资者情绪指标加入LSTM神经网络预测下一个交易日的股票涨跌。仿真实验结果表明,在2019年1月至2021年9月的牧原股份（002714）股票数据上,与单独使用LSTM模型相比,改进后的LSTM模型的预测准确率提高了12.25个百分点,在预测为涨的F1值和预测为跌的F1值上分别提高了1.2个百分点和25.21个百分点。由此可见,基于EMD与投资者情绪的LSTM股票价格涨跌预测模型有效提高了预测精度,为股票市场的涨跌预测提供了一种有效的实验方法。     

E-V-ALSTM模型的股价预测

针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题,提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解,得到若干固有模态函数（IMFs）和一个残差（Res）,降低了股票价格数据的非平稳性和非线性;使用样本熵（SampEn）对这些IMFs进行复杂性评估;将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解,以降低股票价格数据的复杂性;通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测,捕捉关键时间点特征信息,重新赋予权重,以解决股票价格数据的随机波动性,提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明,该模型比其他对比模型能进一步提高股票价格预测的准确性。     

基于CNN＿BiLSTM的长短期电力负荷预测方法

当前电力系统负荷预测中负荷数据受到多种因素影响且多步长预测时精度不高,因此电力负荷预测呈现出非线性、多因素、非平稳态等问题。提出一种基于CNN＿BiLSTM混合深度学习网络的长短期电力负荷在线预测方法。首先根据卷积神经网络和双向长短期记忆网络的特点,建立了CNN＿BiLSTM负荷预测模型,并将历史负荷与影响因素耦合形成一个新的时间序列作为网络输入;其次,由于机器学习模型依赖于样本的完备性,影响因素的存在会使原有模型与现有数据失配,建立了在线模型;最后,在实际电力负荷预测中,单步长预测并不能满足工业现场的需要,建立了在线多步长预测模型。通过算例分析,并与SVR等方法进行对比,实验结果表明,所提方法能有效地应用于实际的电力系统负荷预测。     

基于LSTM-CNN-CBAM模型的股票预测研究

为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络（LSTM）和卷积神经网络（CNN）的基础上引入注意力机制的股票预测混合模型（LSTM-CNN-CBAM）,该模型采用的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意力机制--Convolutional Attention Block Module（CBAM）卷积模块,可以有效地提升网络的特征提取能力。基于上证指数进行对比实验,通过对比实验预测结果和评价指标,验证了在LSTM与CNN结合的网络模型中加入CBAM模块的预测有效性和可行性。     

基于改进人工鱼群算法与RBF神经网络的股票价格预测

股票价格受多种因素影响,这对股票价格预测造成了巨大挑战。近年来,机器学习方法被广泛用于股票价格预测的研究中,然而,现有方法存在相对误差较大、时间复杂度高等缺点。对此,提出基于引力搜索的改进人工鱼群算法AFSA＿GS。该算法将引力搜索中计算质量和加速度的策略分别用于调节人工鱼的视野和步长,从而提高了人工鱼群算法在优化过程中的自适应能力;AFSA＿GS算法还优化了RBF神经网络的相关参数,并使用优化后的网络预测股票价格。在多家上市公司股票数据上进行了实验,实验结果表明,相对于传统的优化算法,采用AFSA＿GS算法优化的RBF神经网络,可以获得更好的股票预测性能。     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

基于优化LSTM模型的股票预测

股票预测研究一直是困扰投资者的难题.以往,投资者采用传统分析方法如K线图、十字线等方法来预测股票走势,但随着科技的进步和经济市场的发展,以及经济政策的变动,股票的价格走势受到越来越多方面因素的干扰,仅靠传统的分析方法远远不能解析出股票价格波动中隐藏着的重要信息,因此预测精度大打折扣.为了提高股票价格的预测精度,提出一种基于PCA和LASSO的LSTM神经网络股票价格预测模型.采用2015-2019年平安银行(000001)五大类技术指标数据,通过PCA和LASSO方法对五大类技术分析指标进行降维筛选,再使用LSTM模型进行平安银行股票收盘价预测,对比前两种模型和单纯使用LSTM模型的预测效果稳定性及准确性.结果表明,相比于LASSO-LSTM模型和LSTM模型,PCA-LSTM模型能够大幅削减数据冗余,并且获得了更优异的预测精度.     

融合CNN＿LSTM的侧信道攻击

基于深度学习在侧信道攻击中的应用,在Chipwhisperer平台中实现AES算法,在其加密过程中测量相应能量迹,再利用CPA技术分析得出兴趣点位置,并针对兴趣点做出模型训练。在卷积神经网络（CNN）,长短时记忆网络（LSTM）和CNN＿LSTM混合模型三种网络模型上,结合数据预处理技术训练同步和异步能量迹。实验结果表明三种模型同步状态下的准确率相当,另外在保证模型训练参数不变的情况下逐渐增大异步数据时,三个模型训练集和测试集的准确率都在减少,但新提出的混合模型下降速度变化是最慢的,在实验异步数加大到50时,仍可以保证准确率在90%之上,即几乎一条能量迹就可恢复出正确密钥。所以,CNN＿LSTM模型可以更好地适应能量迹发生异步的情况。     

基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.     

基于生成式对抗神经网络的股票预测研究

针对股票价格具有非线性、非平稳的特点,提出一种结合自注意力机制和残差网络的生成式对抗神经网络模型（SAR-GAN）。该模型的生成器（generator）由长短期记忆网络（LSTM）层、自注意力机制层、残差层等构建而成,用于生成所预测股票的价格;判别器（discriminator）用于鉴别生成的股票价格与真实的股票价格。为验证模型良好的泛化性,选取上证指数及不同股票市场的热点行业龙头股票进行预测实验。实验结果表明,与LSTM、GRU、CNN-LSTM、CNN-GRU等模型相比,SAR-GAN模型能不同程度地减少预测误差。     

ARIMA和RBF神经网络相融合的股票价格预测研究

针对股票价格的突变性、非线性和随机性,单一预测方法仅能描述股票价格片断信息等缺陷,提出一种股票价格组合预测模型。采用自回归移动平均模型（ARIMA）对股票价格进行预测,捕捉股票价格线性变化趋势。采用RBF神经网络对非线性、随机变化规律进行预测。将两者结果组合得到股票价格预测结果。采用组合模型对包钢股份（600010）股票收盘价进行仿真实验,结果表明,相对于单一预测模型,组合预测模型更加全面、准确刻画了股票价格的变化规律,提高了股票价格预测精度。     

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型.将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果.通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率.     

多源异构数据融合驱动的股票指数预测研究

现代信息技术的广泛应用使得资本市场投资者能够获得更及时、更有价值的信息,也更容易受到金融论坛、专业投资网站的影响。融合资本市场的多源异构数据对股票指数进行预测成为该领域的研究热点。提出了一种基于多源异构数据的长短期神经网络（Long Short-Term Memory,LSTM）模型,通过对融合资本市场交易数据、技术指标数据、投资者情绪三种源数据的量化来预测股票指数的走势。提出了一种可以提取深度情感特征的卷积神经网络（Convolutional Neural Networks,CNN）情感分析模型,构建了投资者情绪特征模型。利用“上证50指数”数据进行实验,结果显示：LSTM模型的预测准确率比传统模型更为优秀,数据源的增加也对模型准确率的提升有较大贡献,验证了该方法的可行性和有效性。     

基于对称三角模糊集的股票投资者情绪传播模型

投资者情绪是股票市场中普遍存在的一种非理性行为, 是导致股票价格波动的重要因素. 本文采用模糊集合理论, 从微观视角下研究股票投资者情绪的传播过程. 采用对称三角模糊集合描述股票投资者思维的模糊性, 用模糊股价预期表示投资者情绪, 建立了股票投资者情绪的传播模型, 提出了三种基本的投资者情绪传播方式. 以股吧社区中的投资者情绪传播为例, 说明了所提出的股票投资者情绪传播模型的有效性.     

SVM与神经网络模型在股票预测中的应用研究

介绍了SVM、BP神经网络和小波神经网络模型在股票预测中的应用研究。通过输入历史股票价格走势数据进行模型训练,并分别进行三个模型预测输出,最后通过均方误差、走势方向准确率和总盈利率三个指标分析比较三个模型,从而了解模型在股票预测领域的应用效果,为后续研究做参考。     

基于深度学习的服装流行趋势预测研究

现有的服装流行趋势预测方法多采用传统的时间序列预测方法，数据来源多为电商网站的销售数据，在预测精度方面具有较大的误差。为解决此问题，文章提出了一种基于卷积神经网络、双向长短时记忆（Bidirectional Long Short-Term Memory,BiLSTM）网络和注意力机制的服装流行趋势预测模型。实验结果表明，本文提出的模型在服装流行趋势预测中优于传统的时间序列预测模型和简单的深度神经网络模型。     

基于特征融合的文本情感分类

虽然卷积神经网络（CNN）可以提取局部特征,长短期记忆网络（LSTM）可以提取全局特征,它们都表现出了较好的分类效果,但CNN在获取文本的上下文全局信息方面有些不足,而LSTM容易忽略词语之间隐含的特征信息。因此,提出了用CNN＿BiLSTM＿Attention并行模型进行文本情感分类。首先,使用CNN提取局部特征,同时BiLSTM提取带有上下文语义信息的全局特征,之后将两者提取的特征拼接在一起,进行特征融合。这样使得模型既能捕获局部短语级特征,又能捕获上下文结构信息,并对特征词的重要程度,利用注意力机制分配不同权重,进而提高模型的分类效果。通过与单一模型CNN、LSTM等深度神经网络模型的对比,本文所提的CNN＿BiLSTM＿Attention并行模型在综合评价指标F1 score和准确率上都有提升,实验结果表明,本文所提模型在文本情感分类任务中取得了较好的结果,比其他神经网络模型有更好的实用价值。     

基于Pearson特征选择的随机森林模型股票价格预测

为了能够更好地预测股票的走向趋势,解决在大量特征和大数据下预测精度低的问题,在随机森林的基础上提出了一种基于Pearson系数的随机森林新的组合模型方法。利用Pearson系数进行相关性检验删除无关特征;使用改进的网格搜索法对决策树参数调优;利用随机森林将剩余特征进行建模回归预测,并得出最终结论。实验结果表明：改进后的随机森林在预测值的平均绝对误差（MAE）、均方误差（MSE）都得到了较大的提高。其中今世缘改进后的随机森林比传统随机森林的MSE值降低了56%,MAE值降低了37.3%,其他两只股票预测效果也均得到提高。新的组合模型,可以实现对股票价格的短期预测回归,并且能够降低噪声对股票价格预测的影响。该研究为更好地预测股票价格提供了有效证据并为投资者提供了对股票影响因素的选择。     

基于长短期记忆神经网络的每日股票价格预测

股票价格预测一直是人们关注的焦点之一。针对每日股票预测存在的问题,本文提出一种基于长短期记忆神经网络的方法来预测每日股票的最高价与最低价,通过使用Python编程语言构建长短期记忆神经网络模型,并对2000—2020年上海证券、深圳证券的股票数据进行预测。实验结果表明,采用长短期记忆神经网络能够很好地拟合每日股价的波动趋势,具有较高的准确率。