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。