LSTM神经网络在股票价格预测中的应用

作者：张晓春; 徐晓鹏; 魏苏林

来源：电脑知识与技术, 2020, 16(28): 39-43.

DOI：10.14004/j.cnki.ckt.2020.3163

• 长短时记忆模型
• 循环神经网络
• 深度学习
• 时间序列
• 过拟合

针对循环神经网络RNN预测方法在深层网络反向传导中易产生梯度爆炸、消失现象,研究了一种基于变长Batch策略的长短时记忆(LSTM)循环神经网络股票价格预测方法。首先,以股票历史时间序列数据为研究对象,构造不同天数长度的时间序列,作为网络的输入;然后训练过程中,加入Early-stopping技术,防止学习的过拟合;最后,用状态参数传递的方式利用变长Batch在测试集上对未来股票收盘价进行预测。通过与传统机器学习回归模型性能的比较,验证了基于变长Batch的LSTM预测模型及参数优选策略在股票价格分析中具有较好的泛化能力和较低的预测误差。

• 单位
  安徽财经大学