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。     

基于注意力机制的CNN-LSTM短期股票价格预测

根据股价存在的高频性、长记忆性及不确定性,文章给出了基于注意力机制的卷积神经网络一长短期记忆网络股票价格序列预测方法。首先使用CNN来对数据序列进行卷积操作,以提取其特征分量。然后,利用长短期记忆网络(LSTM)对所抽取出的特征分量做序列预测。最终,注意力模块通过神经网络来自动化拟合权重分配,并对LSTM各个时间节点的隐含层输出向量与对应的权重相乘并求和,为重要的特征分量赋予更大的权重,以此作为模型最终的特征表达。     

基于核的双自组织特征映射网络在预测中的应用

提出了一种基于核的双自组织特征映射网络.该网络通过同时使用两个相关的映射网络扩展了原有的自组织神经网络,针对自组织特征映射网络容易受到高噪声的影响,将核学习的方法应用于自组织映射聚类中,以核函数代替了原始数据在特征空间中映射值的内积,传统的SOM算法使用的是欧氏距离,而KSOM通过使用不同的核函数为原始空间诱导出不同的欧式距离,这样就提高了算法的鲁棒性.将改进后的神经网络用于金融时间序列的预测,其实验结果表明,改进后的神经网络具有较强的鲁棒性.     

基于卷积长短时记忆网络的CPI预测

针对消费价格指数(CPI)的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆(CNN-LSTM)深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法.用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时...     

基于回声状态网络的短期股价预测模型

针对传统单只股票预测模型预测精度低以及传统神经网络训练过程复杂的问题,提出一种基于ESN(Echo State Network)的地区行业通用模型,该模型可预测同地区同行业内任意股票。使用ESN建立了上海地区房地产行业的股价预测通用模型,简化了训练过程,且与单只股票预测模型相比,该通用模型预测精度明显提高。在通用模型基础上提出一种基于数据波动性聚类的KMeans-ESN模型,通过实验得出:基于ESN的短期股价预测地区行业通用模型适合波动大的数据、基于数据波动性聚类的KMeans-ESN短期股价预测模型适合波动小的数据。     

基于Voronoi距离的鲁棒的双自组织特征映射网络

提出了一种基于Voronoi距离的双自组织特征映射网络。该网络通过同时使用两个相关的映射网络扩展了原有的自组织神经网络。针对自组织特征映射网络容易受到高噪声的影响，通过使用Voronoi cell的距离来取代网络中的欧式距离，增强了网络的鲁棒性。将改进后的神经网络用于金融时间序列的预测，实验结果表明改进后的神经网络具有较强的鲁棒性。     

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。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

融合投资者情绪的S＿AM＿BiLSTM股价预测模型

股票价格预测一直是金融领域的研究热点之一。然而,股票价格的形成机制是相当复杂的,各种因素都可能会导致股票价格的变化。为此,提出了一种基于深度学习方法并融合多源数据和投资者情绪的股票价格预测混合模型（S＿AM＿BiLSTM）。利用文本卷积神经网络（TextCNN）对从股票论坛中提取的投资者评论进行情绪分析,并计算情绪指数。将情绪指数（sentiment）、技术指标和股票历史交易数据作为股价预测模型的特征集,采用双向长短时记忆神经网络（BiLSTM）对股票的收盘价进行预测,并在此基础上加入注意力机制（attention mechanism）,提高预测精度。为了证明模型的有效性和适用性,随机选取4个重点行业的股票进行实证研究。实验结果表明,与其他单一模型和不含情绪因子的模型相比,所提出的混合模型的效果更优越。     

基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法

短期电力负荷预测是电力系统中的重要问题之一,准确的预测结果可以提高电力市场的灵活性和资源利用效率,对电力系统高效运行具有重要意义.为了提高预测精度,针对电网负荷数据的时序性特征,提出一种基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法.该方法首先针对电力负荷的影响因素(温度、节假日等)提取特征,并使用双向长短期记忆(BiLSTM)神经网络层进行双向时序的特征学习;将双向时序特征作为长短期记忆(LSTM)神经网络层的输入,用LSTM神经网络建模学习时序数据的内部变化规律;使用attention机制计算LSTM隐层状态的不同权重,以对隐层状态进行选择性地关注;结合注意力权重和LSTM神经网络进行负荷预测,最后使用全连接层输出负荷预测结果.使用EUNIT电力负荷数据集进行实验,采用提前单点预测模式,该方法的平均绝对百分比误差(MAPE)达到1.66％,均方根误差(RMSE)达到814.85.通过与单LSTM网络、基于attention机制的LSTM网络(Attention-LSTM)、前馈神经网络(FFNN)、卷积神经网络联合长短期记忆神经网络(CNN-LSTM)等4种典型的负荷预测模型结果对比,验证了Attention-BiLSTM-LSTM神经网络方法更加准确有效.     

MDT-CNN-LSTM模型的股价预测研究

股价预测一直是投资者在股票市场中关注的焦点.近年来,深度学习技术在这一领域得到广泛应用.在融合卷积神经网络(CNN)和长短时记忆网络(LSTM),构建CNN-LSTM模型的基础上,引入多向延迟嵌入的张量处理技术MDT(mutiway-delay-embedding),对每日股票因子向量进行因子重构,生成汉克尔矩阵,按时...     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。     

基于LSTM的股票价格预测建模与分析

股价波动是一个高度复杂的非线性系统，其股票的调整不是按照均匀的时间过程推进，具有自身的推进过程。结合LSTM（Long Short-Term Memory）递归神经网络的特性和股票市场的特点，对数据进行插值、小波降噪、归一化等预处理操作后，推送到搭建的不同LSTM层数与相同层数下不同隐藏神经元个数的LSTM网络模型中进行训练与测试。对比评价指标与预测效果找到适宜的LSTM层数与隐藏神经元个数，提高了预测准确率约30%。测试结果表明，该模型计算复杂度小，预测准确率有所提高，不仅能在股票投资前对预测股票走势提供有益的参考，还能帮助投资者在对实际股价有了进一步的认知后构建合适的股票投资策略。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权,GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

A hybrid evolutionary dynamic neural network for stock market trend analysis and prediction using unscented Kalman filter

Stock market prediction is of great interest to stock traders and investors due to high profit in trading the stocks. A successful stock buying/selling generally occurs near price trend turning point. Thus the prediction of stock market indices and its analysis are important to ascertain whether the next day's closing price would increase or decrease. This paper, therefore, presents a simple IIR filter based dynamic neural network (DNN) and an innovative optimized adaptive unscented Kalman filter for forecasting stock price indices of four different Indian stocks, namely the Bombay stock exchange (BSE), the IBM stock market, RIL stock market, and Oracle stock market. The weights of the dynamic neural information system are adjusted by four different learning strategies that include gradient calculation, unscented Kalman filter (UKF), differential evolution (DE), and a hybrid technique (DEUKF) by alternately executing the DE and UKF for a few generations. To improve the performance of both the UKF and DE algorithms, adaptation of certain parameters in both these algorithms has been presented in this paper. After predicting the stock price indices one day to one week ahead time horizon, the stock market trend has been analyzed using several important technical indicators like the moving average (MA), stochastic oscillators like K and D parameters, WMS%R (William indicator), etc. Extensive computer simulations are carried out with the four learning strategies for prediction of stock indices and the up or down trends of the indices. From the results it is observed that significant accuracy is achieved using the hybrid DEUKF algorithm in comparison to others that include only DE, UKF, and gradient descent technique in chronological order. Comparisons with some of the widely used neural networks (NNs) are also presented in the paper.     

A Bayesian regularized artificial neural network for stock market forecasting

In this paper a Bayesian regularized artificial neural network is proposed as a novel method to forecast financial market behavior. Daily market prices and financial technical indicators are utilized as inputs to predict the one day future closing price of individual stocks. The prediction of stock price movement is generally considered to be a challenging and important task for financial time series analysis. The accurate prediction of stock price movements could play an important role in helping investors improve stock returns. The complexity in predicting these trends lies in the inherent noise and volatility in daily stock price movement. The Bayesian regularized network assigns a probabilistic nature to the network weights, allowing the network to automatically and optimally penalize excessively complex models. The proposed technique reduces the potential for overfitting and overtraining, improving the prediction quality and generalization of the network. Experiments were performed with Microsoft Corp. and Goldman Sachs Group Inc. stock to determine the effectiveness of the model. The results indicate that the proposed model performs as well as the more advanced models without the need for preprocessing of data, seasonality testing, or cycle analysis.     

基于EMD改进的Elman神经网络对股票的短期预测模型

Elman神经网络在短期预测股市收盘价时存在预测趋势良好但准确度较低的问题。在Elman神经网络的思想上提出以经验模态分解EMD为基础的Elman新组合模型。应用EMD将各交易日的收盘价序列分解成不同时间尺度上的本征模函数IMF分量和剩余分量,进而利用偏自相关函数PACF计算每一个分量的滞后期,以确定各分量在Elman神经网络中的输入和输出变量,从而得到各分量的预测值,相加得到最终的预测结果。与EMD单一网络、EMD-Elman模型、BP网络及EMD-BP模型进行实验对比,结果表明:该短期预测模型的预测值均方误差、平均绝对误差和平均绝对百分比误差都得到较大的改善;新组合模型可有效实现对股票收盘价的短期预测,且能降低非平稳性对预测结果的影响。该研究为进一步预测股市的走向提供了有效依据,也为投资者提供了更充分的决策参考。     

A hybrid procedure for stock price prediction by integrating self-organizing map and genetic programming

Stock price prediction is a very important financial topic, and is considered a challenging task and worthy of the considerable attention received from both researchers and practitioners. Stock price series have properties of high volatility, complexity, dynamics and turbulence, thus the implicit relationship between the stock price and predictors is quite dynamic. Hence, it is difficult to tackle the stock price prediction problems effectively by using only single soft computing technique. This study hybridizes a self-organizing map (SOM) neural network and genetic programming (GP) to develop an integrated procedure, namely, the SOM-GP procedure, in order to resolve problems inherent in stock price predictions. The SOM neural network is utilized to divide the sample data into several clusters, in such a manner that the objects within each cluster possess similar properties to each other, but differ from the objects in other clusters. The GP technique is applied to construct a mathematical prediction model that describes the functional relationship between technical indicators and the closing price of each cluster formed in the SOM neural network. The feasibility and effectiveness of the proposed hybrid SOM-GP prediction procedure are demonstrated through experiments aimed at predicting the finance and insurance sub-index of TAIEX (Taiwan stock exchange capitalization weighted stock index). Experimental results show that the proposed SOM-GP prediction procedure can be considered a feasible and effective tool for stock price predictions, as based on the overall prediction performance indices. Furthermore, it is found that the frequent and alternating rise and fall, as well as the range of daily closing prices during the period, significantly increase the difficulties of predicting.     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。