论文总字数：18700字

摘 要

中国股市成立至今，在经济建设和社会发展的过程中都凸显了其不可缺少的重要性。随着我国人均收入不断提高，越来越多的人把股票作为自己的一种投资方式，所以股票价格的预测也在投资股票过程中起着重要的作用。这些年来在深度学习领域比较常见的办法之一就是建立LSTM神经网络模型，同时它也成为股市价格预测方面一种新的趋势。本文通过构建长短期记忆网络模型来进行股票价格预测研究。

关键词：LSTM 股票预测

Stock price prediction based on LSTM model

Abstract

Chinese stock trade has been exposing its necessity and significance in the field of economy boosting and society developing since its founding. With average income growing, more and more people regard stock as an option of investing. Therefore, stock price prediction plays an important role in stock trading. LSTM Neural Networks is one method mostly used in deep learning recently, and also represents a new fashion of stock price prediction. This paper aims to study stock price prediction by constructing long-and-short term memorization networking.

Key Words: LSTM; Stock price prediction

目录

摘 要 I

Abstract II

第一章 引言 1

1.1研究目的与意义 1

1.2相关研究背景 1

1.3研究方法 3

第二章 基础知识与理论研究 4

2.1 神经网络简介 4

2.2 循环神经网络 4

2.3 长短期神经网络 6

第三章 实证分析 8

3.1选取数据 8

3.2处理数据 8

3.2.1分区间处理 8

3.2.2数据预处理 10

3.3利用LSTM模型预测股票价格 11

3.4误差分析 14

第四章 结语 16

参考文献 17

附录 19

第一章 引言

• 1. 、研究目的与意义

股票是证券里面很重要的一个品种，参与者众多，以中国A股市场为例，目前有效账户超过1亿，三千多支股票即使在 “熊市”单日成交额在两千亿元左右，这里面不仅有产业资金、公募资金、私募资金、众多机构、还有占绝大多数的散户[1]。中国A股市场自成立以来有二十多年的历史。随着时间的推移，股票市场在不断地扩容。在此期间，政策的引导以及突发新闻消息会导致资金在某些时间段集体涌入市场，引发市场资金供需关系失衡，进而影响股票出现急涨急跌，这就置广大投资者于大的风险之中[2]；另一方面，股票市场与公司的发展紧密联系，股票市场的良性运行有利于资金流向优势企业，促进资金的合理配置[3]。如果能掌握内部的波动规律，对广大投资者而言，可以有效规避大概率的风险。对国家而言，将有利于国家从宏观面对股票市场做更好的引导，从而促进金融市场的稳定。近年来股票市场体量不断扩大，且信息传递的速度不断提高，交易参与者投资手法一致化现象严重，这些因素使得整个股票市场变的更加错综复杂，就迫切需要更加有效的研究方法来研究股票市场的变化。随着科技的发展，量化投资渐渐出现在人们的视野里面，新的量化方法的出现替代了传统的靠人工统计的分析方法，尤其是机器学习方法的出现，可以从大量非线性的数据里面挖掘出有用的隐含信息，进而辅助决策。而浅层的网络不适合高维度数据的挖掘，长时期短时期时间记忆神经网络是一类深层的网络，可以从繁杂的数据里面抽象出来隐藏的一些信息，且长短期时间记忆网络被验证更加适合运用在时间序列的研究中[4]。一个复杂的非线性动力的市场就是我们所说的股票市场[5]，本篇文章经过构建长短期记忆网络模型实行股票价格估算分析研究。

1.2、相关研究背景

传统的股价预测方法一般是技术面分析法，技术面分析法主要通过分析股票市场的历史数据找出隐藏的规律，这里面有比较经典的 “道氏理论[6]”、 “波浪理论[7]”和 “蜡烛图[8]”技术等分析方法，这种分析方法适合短线资金的操作，对于未来远期的预测经常失真，且个别股票会受到某些大资金的操纵，故意构造迎合散户喜好的技术指标[9]。相比之下，White在1988年通过构建BP神经网络模型，对IBM公司的股票走势进行分析，进而总结出何时做多，何时做空的择时股票交易策略[10]。G.Peter Zhang在2003年的研究中指出神经网络模型的预测效果在股票价格走势上的预测效果好于传统的ARIMA模型[11]。Cao在他的研究中将神经网络与传统Fama-French。三因子模型进行对比，研究结果表明神经网络模型取得了较好的预测结果[12]。Wei Bao等人在2017年，结合小波变换与LSTM模型，首次将股票深层次的特征提取出来引入到股票价格预测中，同时对股票价格进行分解，以消除噪声取得了较好的预测效果[13]。Thomas Fischer在对股票市场综合指数的预测中对比了LSTM模型与随机森林、深度神经网络等方法，确定LSTM模型最优，并且发现对短期预测效果较好，进而制定了一个短期交易策略[14]。Sascha Krstanovic等人提出了一种改进的RNN模型，数据处理采用正交输入的方式，在对股票走势预测中效果有所改善[15]。Kim, Ha Young等人，以KOSPI 200指数为研究对象，构建了LSTM和GARCH类型的三种混合模型，实现结果表明GEW-LSTM模型取得较好的预测结果[16]。Qiyuan Gao在对股票价格走势的预测中，创新的以小时为单位进行数据收集，通过构建递归神经网络对不同的行业股票进行预测，进而构建投资风险组合，实验结果表明投资组合取得了持续性的正收益[17]。

反观国内，文宇构建了CNN-LSTM神经网络模型，以成交量、开盘价、衍生技术指标等作为输入因素，通过CNN网络进行训练，提取影响力大的数据作为LSTM输入端因子进行预测，结果证实无论在较长时间预测中还是较短的时间预测中均取得了好的预测效果[18]。邓凤欣等人把LSTM神经网络模型运用到美国股市，以微软、亚马逊等几个具有代表性的公司为研究对象，最终证实此模型在股票价格预测中有较高的预测精度[19]。龙奥明等人将协整检验与LSTM模型相结合，运用到期货市场，并通过构建期货投资组合，检验该模型在一定时期内取得较稳定收益，并且与BP神经网络和CNN模型进行对比，表明LSTM模型预测效果更好[20]。姚小强提出了一种基于树结构的神经网络模型，对国内黄金价格走势进行了预测，取得较好的结果[21]。任君正等人构建了正则化的神经网络模型，对目标函数进行了优化，在对美国综合指数走势预测中表现出了较高的预测精度[22]。

请支付后下载全文，论文总字数：18700字