论文总字数：30154字

摘 要

为了改善股票价格预测方法，利用长短期记忆神经网络（LSTM）善于处理时间序列延续性的特性，使用LSTM对股票价格数据进行预测。本文将信号处理的完全经验模态分解法（CEEMDAN）和神经网络模型LSTM相结合进行短期预测，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征无法反映的缺陷，并与LSTM模型相比较。基于锐思数据库4支股票的数据，进行了模型预测。试验结果表明：结合CEEMDAN的LSTM明显在预测精度上优于LSTM，结果也相对稳定。由此证明了CEEMDAN-LSTM模型处理金融时间序列的有效性。

关键词：完全经验模态分解（CEEMDAN）长短期记忆网络（LSTM） 股价预测 深度学习

CEEMDAN-LSTM: CEEMDAN-based LSTM

for Stock Price Prediction

Abstract：

In order to improve the stock price prediction method, the long-term and short-term memory neural network (LSTM) is used to handle the continuity of time series, and the LSTM is used to forecast the data sample concerning stock price. This paper establishes a bridge between the complete empirical mode decomposition method of signal processing (CEEMDAN) and the neural network model LSTM to make short term predictions to overcome the defects that the existing models cannot reflect the complex characteristics of financial time series data such as non-stationary, non-linear, and sequence related and compared with the LSTM model. Based on the data of 4 stocks in the Ruisi database, a prediction model was made. The test results show that LSTM combined with CEEMDAN is significantly better than LSTM in prediction accuracy, and the results are relatively stable. This illustrates that the CEEMDA-LSTM model can operate financial time series effectively.

Key Words: complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN)；long-term and short-term memory network (LSTM)； deep learning ；stock price prediction

目录

摘要 I

第一章 绪论 1

1.1 相关背景 1

1.1.1研究背景 1

1.1.2研究现况 1

1.2 研究目的和研究意义 3

1.2.1 研究目的 3

1.2.2 研究意义 3

1.3研究方法 3

1.3.1 LSTM长短期神经网络 3

1.3.2 CEEMDAN完全集成，经验模式分解 3

第二章 基础知识与理论研究 5

2.1 EMD，CEEMDAN算法 5

2.1.1 EMD 5

2.1.2 CEEMDAN 5

2.2 时间序列处理与LSTM模型 6

2.2.1时间序列处理 6

2.2.2长短期记忆模型 7

2.2.4模型的形状确定 8

2.2.5 模型超参数的调节 8

2.3最终的模型方法 9

2.4 误差分析 10

第三章 实证分析 11

3.1 数据选取 11

3.1.1 股票的选取 11

3.1.2 数据预处理： 12

3.2 LSTM 模型窗口的选择 12

3.3CEEMDAD方法分解序列 13

3.3 IMF 迭代次数确定 14

3.4实验结果 16

第四章 结论 23

参考文献 24

附录 26

第一章 绪论

1.1 相关背景

1.1.1研究背景

近年来人工智能和大数据迅猛发展，作为人工智能核心技术的神经网络得到了广泛的应用，例如王志远等通过天气预测光能发电情况^[1]，苗开超等大雾临近预报^[2]，诸如此类研究证明了神经网络的强大功能。

随着大数据技术和人工智能技术的不断应用和发展，金融市场的进一步完善以及金融服务业的强烈需求，金融市场预测引起了业界、学术界的广泛关注^[3]，但当前对预测研究金融工具价格和经济变量等的主要预测技术仍然集中在各种时间序列模型, 包括常见的自回归模型(auto regressive, AR)、滑动平均模型(moving average, MA)、自回归滑动平均模型(auto-regressive and moving average, ARMA)、季节模型、长时间模型、带时间序列误差的回归模型等。然而，在金融市场中，并非所有的人都是完全理性的，所以存在很多噪音（干扰项）。同时，数据也是非线性的和动态的，诸多因素导致了上述模型对其预测具有一定难度，但相比其他模型，神经网络作为人工智能在金融行业的应用,对金融数据的预测更为出色。

神经网络的种类也有多种，不同的神经网络也有着不同的拟合度。LSTM(Long Short-Term Memory长短期记忆网络)，RNN(Recurrent Neural Networks循环神经网络)以及GRU(Gated Recurrent Unit门控循环单元)的平均正确率为58.57%，56.85%，57.61%^[4]，这几种方法看似相差不大，但是庞大的金融交易额会使其产生巨大影响。上述数据也表明了LSTM在金融数据预测上的优势。

请支付后下载全文，论文总字数：30154字