基于LSTM神经网络的股票开盘价预测研究
Journal: Economics DOI: 10.32629/ej.v9i5.3529
Abstract
股价序列具有非线性特征与长期记忆性,使得以ARIMA为代表的传统时序模型在预测 精度上存在明显局限。本文选取万科、平安银行、建设银行、凯盛科技四只A股,尝 试以LSTM神经网络对开盘价进行预测。数据区间为2017—2025年,涵盖开盘价、成交 量等9项指标,经Min- Max归一化和滑动窗口构造样本后,输入4层LSTM网络训练。结果显示,训练轮次设为 600时模型收敛较优,凯盛科技的RMSE为0.3131、MAPE为0.51%,建设银行RMSE为0.24 91。模型在平稳行情下拟合效果良好,但对极端冲击的响应存在滞后。上述结果可为 量化投资与风险管控提供一定参考。
Keywords
LSTM；股票开盘价预测；时间序列；深度学习
Full Text
PDF - Viewed/Downloaded: 1 TimesReferences
[1] 张尧庭.金融数据的统计分析[M].北京:科学出版社,2008.
[2] 王宏禹.时间序列分析——参数统计方法[M].北京:科学出版社,2010.
[3] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):280 6-2810.
[4] HochreiterS.,SchmidhuberJ.,Longshort- termmemory[J].NeuralComputation,1997,9:1735-1780.
[5] 王雪华,董文永.基于LSTM循环神经网络的短期电力负荷预测[J].电力系统保护与控 制,2017,45(14):65-71.
[6] 李航.统计学习方法[M].北京:清华大学出版社,2019.
[7] 周志华.机器学习[M].北京:清华大学出版社,2016.
[8] GoodfellowI.,Bengio Y.,Courville A.Deep Learning[M]. Cambridge:MIT Press,2016.
[9] 吴微,陈维强,刘波.基于LSTM的股票价格预测研究[J].计算机工程与应用,2018,54 (20):126-131.
[10] 张贵勇,张春霞.改进的LSTM在金融时间序列预测中的应用[J].计算机科学,2019, 46(11):231-236.
[2] 王宏禹.时间序列分析——参数统计方法[M].北京:科学出版社,2010.
[3] 孙志军,薛磊,许阳明,等.深度学习研究综述[J].计算机应用研究,2012,29(8):280 6-2810.
[4] HochreiterS.,SchmidhuberJ.,Longshort- termmemory[J].NeuralComputation,1997,9:1735-1780.
[5] 王雪华,董文永.基于LSTM循环神经网络的短期电力负荷预测[J].电力系统保护与控 制,2017,45(14):65-71.
[6] 李航.统计学习方法[M].北京:清华大学出版社,2019.
[7] 周志华.机器学习[M].北京:清华大学出版社,2016.
[8] GoodfellowI.,Bengio Y.,Courville A.Deep Learning[M]. Cambridge:MIT Press,2016.
[9] 吴微,陈维强,刘波.基于LSTM的股票价格预测研究[J].计算机工程与应用,2018,54 (20):126-131.
[10] 张贵勇,张春霞.改进的LSTM在金融时间序列预测中的应用[J].计算机科学,2019, 46(11):231-236.
Copyright © 2026 陈欢
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License