基于深度学习和小波分析的LSTM-Wavelet模型股价预测

作者：李梦; 黄章杰; 徐健晖

来源：重庆工商大学学报(自然科学版), 2023, 40(02): 99-105.

DOI：10.16055/j.issn.1672-058X.2023.0002.015

• 股价预测
• 小波分解
• LSTM模型
• LSTM-Wavelet模型

针对股价数据具有高噪声、非线性和非平稳性等特征，使得股价精确预测非常困难的问题，提出小波-长短记忆网络(LSTM-Wavelet)模型应用于股价预测。首先，利用小波(Wavelet)分解降低金融时间序列的不稳定性，并分析小波系数的细节特征；接着，发挥长短记忆网络(LSTM)模型的优势，深层挖掘小波系数中的长期依赖关系，对分解后的各层小波系数分别建模预测；最后进行预测小波系数的数据重构。使用中石油近两年的股价数据进行实证分析，以每个交易日的开盘价、最高价、最低价、交易量为特征输入，预测当日中石油的收盘价。结果表明：相较于标准LSTM模型和小波-ARIMA (ARIMA-Wavelet)模型，提出的LSTM-Wavelet模型有更好的预测效果；通过小波分析将复杂股票数据，分解为长短记忆网络(LSTM)容易识别的小波系数，根据各层小波系数不同的数据特征进行分层预测，提高了预测精度。

• 单位
  重庆工商大学