论文研究-基于LSTM神经网络的股价短期预测模型 .pdf

所需积分/C币:41 2019-08-14 16:55:01 290KB .PDF
127
收藏 收藏
举报

基于LSTM神经网络的股价短期预测模型,成烯,钟波,股价预测是时间序列预测领域最具有挑战性的问题,准确预测股价能够帮助投资者降低风险,提高收益。本文应用LSTM神经网络对股价指��
山国武技论文在线 http:/www.paper.edu.cn 是木来克服RNN中存在的长期依赖导致梯度消失而设计的。LSTM的核心是细胞(cel)的 状态,而在LSIM单元中内部设计了输入门( Input gate)、输出门( Output gate)和遗心门 ( orget gate),设计门”的目的是清除或增加信息到细胞状态中。LSIM的内部结构相比 RNN更复杂,单个LSTM神经元的具体结构如图2所示: 遗志门 输出门 输入门 FC FCFC FC LSTM 逐点相乘 相加 与 sigmoid 75 图2LSTM内存单元 Fig 2 Memory ccll of LSTM 为了更妤地理解LSIM神经元的内部结构,首先对神经元内部的符号进行假设。我们 假设h为LSTM单元的输出,c为LSTM内存单元的值,x为输入数据。LSTM单元的更新 与前向传播一样,可以分为以下几个步骤。 (1)首先,我们先计算当前时刻的输入结点go,W,W,W分别是输入数据和上 时刻LSTM单元输出的权值: (3) ()=tanh(a (4) 85 (2)计算输入门 Inputgate的值。输入门用来控制当前输入数据对记忆单元状态值的 影响。所有门的计算受当前输入数据x和上一时刻LSTM单元输出值h-影响。 (5) =O观 (6) (3)计算遗忘门的值ω遗忘门主要用来控制历史信息对当前记忆单元状态值的影响, 为记忆单元提供了重置的方式。 (7) (4)计算当前时刻记忆单元的状态值c。记忆单元是整个LSIM神经元的核心结点。 记忆单元的状态更新主要由自身状态c11和当前时刻的输入结点的值ga,并且利用乘法门 95通过输入门和遗忘门分别对这两部分因素进行调节。乘法门的目的是使LSTM存储单元存 山国武技论文在线 http:/www.paper.edu.cn 储和访问时间较长的信息,从而减轻消失的梯度。 (9 其中表示逐点乘积。 (5)计算输出门oa。输出门用来控制记忆单元状态值的输出。 100 (-1)+ (10) (11) (6)最后计算LSTM单元的输出。 (12) (7)更新当前序列索引预测输出 l05 股价预测方法 数据准备 本章的实殓数据是从wind咨询金融终端数据库(htφν:/www.wind.com.cn)中采集。按 照文献3选取的指标包括1)OHLC变量,这些变量是所有股指最基本的交易信息:2)21 个广泛使用股票技术指标,这些技术指标能够反应股指的短期趋势;3)根据OHC变量和 110 技术指标构造的特征。为了保证实验的严谨性、合理性和准确性,我们会比较该模型在不同 股票市场的预测能力,并分别收集发达市场、较发达市场和发展中市场的数据。具体数据如 表1所示。 表1数据集描述 Tab. i Datasets dcscription 市场分类 指数名称 指数描述 发达市场 S&P 500 index 标准普尔500指数 较发达市场 Hang Seng index 香港恒生指数 发展中市场 Shanghai composite index 上证指数 115 样本阶段是从2008年1月1日到2017年12月31日的每日股票价格作为初始样本,并 将初始样本划分为训练集和测试集。参照文献中的数据划分方法,如图3所示,根据此 方法共建立28个滑动窗口以衡量模型的性能和比较模型的鲁棒性,以确保方汯的普遍性和 适用性。 4 山国武技论文在线 http:/www.paper.edu.cn 2008/1/1 2011/12/31 2017/12/31 3年 3月 训练集 测试集 测试集 训练集 测试集 3年 3月 训练集 测试集 l20 图3数据集划分 Fig 3 Datasets partition 在训练模型之前还需要对数据进行归一化处理。本文对数据采取了 Z-Score标准化方法, 将数据维度控制在-1到1之间,7- Score函数如下: (13) 125 其中μ表示该原始数据中X的平均值,G表示原始数据中X的标准差,是X标准化 后的数据。 评价指标 在本文中,我们选取在金融研究中常用的指标(MAPE、R)来衡量模型性能的优劣。 指标MAPE主要衡量模型预测的相对误差,其定义如卜: 指标R主要衡量真实值与预测值之间的相关性,R的定义如下 (15) 式中,是真实值,是真实值的均值,是预测值,是预测值的均值。 实证分析 135 本次实验统一采用步长为6,神经元数设置为40,激活函数采用rclu,学习率设置为 0.005,并采用ADAM优化算法和均方误差损失函数训练算法,批处理人小设置为50,训 练次数设置为500。 将LSTM、RNN算法分别在3个数据集上运行,并预测2012年1月1日到2017年12 月31日交易日的股指价格,预测的结果按年份展示。并利用MAPE和R来衡量算法的性能。 实验结果如表2~4所示: 表2标准普尔500指数预测效果 山国武技论文在线 http:/www.paper.edu.cn Tab 2 Performance of s&p 500 index 第1年第2年第3年第4年第5年第6年第7年平均 MAPE LSTM0.01760.01000.010 0.0114001370.00940.006400113 RNN0.0221 0.013700125 0.0112 0.01640.01230.00660.0135 R TM0.77100.864908450076380.60580.71150.84370.772 RN068090.8256077110.75060.60350617508330.7261 表3恒生指数预澳效果 Tab 3 Performance of Hang Seng index 第1年第2年笫3年第4年第5年第6年第7年平均 MAPE LSTM0.01850.01270.011200112001770.01340.00910.0134 RN0.023600169001460014600231001900012600178 R LSTM0.81320.8827084160.78670.74100.83620.86890.8243 RNN 0.7292 0.8317 0.765 0.6514 0.68430.77210.85010.7549 表4上证指数预测效果 Tab 4 Performance of Shanghai composite index 第1年第2年第3年第4年第5年第6年第7年平均 MAPE LSTM 0.01630.01310.0160 0.0151 0.04440.0l610.00830.0185 RNN0.02240.01810.019700198 0.06160.02890.01330.0263 R LSTM0.92300.81400794081750.726506112080620.7847 RNN 0.8241 0.7851 .7429 .7490 0).61000.50)110.73980.7074 从实验结果中可以看出,在3个数据集上,1)LSTM预测结果的MAPE都比RNN的 更小,这说明LSTM兵有更好的预测能力;2)LSTM顶测结果的R值都比RNN的大,这 说明在指数趋势追踪上LSTM的能力更强;3)股票市场的成熟度影响到预测的效果,越成 150 熟的市场预测效果越好,而在越不发达的股票市场,预测的效果越差。 以2017年度的预测结果为例,LSTM、RNN在标准普尔500指数的预测的残差如图 4~5所示 山国武技论文在线 http:/www.paper.edu.cn 真实值 2700 LSTM RNN 2600 500 2400 2300 2200 250 2017年交易日 图4标准普尔500指数预测值与真实值对比图 155 Fig 4 Comparison of different algorithm ofS&P 500 2c00 实值 LSTM 30000 RNN 28000 26000 24000 22000 0 100 150 200 250 2017年交易日 图5恒生指数预测值与真实值对比图 Fig 5 Comparison of different algorithm of Hang Sengindex 7 山国武技论文在线 http:/www.paper.edu.cn 3600 真实值 LSTM 3500 RNN 3400 家33c0 32c0 3100 30C0 9c0 100 150 200 250 2017年交易口 160 图6上证指数预测值与真实值对比图 Fig 6 Comparison of different algorithm of Shanghai composite index 从图4~图6中可以看岀,LSTM算法和RNN算法在整体上都能够追琮到真实指数的趋 势。但是从细节上看来,RNN的预测值更多的是围绕真实指数值上下波动,而LSTM的预 测值图形变化与真实值更像,而且少了类似RNN这样的上下波动情形。所以综合看米,LSIM l65 在预测股指短期价格上比RNN更有效。 结论 本文给岀了基于LSIM神经网络的股价指数短期预测模型。根据实证的结果,可以得 到以下结论 1)LSIM能够冇效地预沨股价指数和追踪股指趋势,股票市场越成熟,预测的性能越好。 170 2)ISTM的预测效果和指数追踪能力比RNN更有效 但是预测的效果在某些年份较好,而在某些年份较差,所以在未来的研究中可以增加数 据量或者对LSTM算法进行改进以提高预测的效果 参考文献 [I ANAGHI M F, NOROUZI Y, IEEE. A Model for Stock Price Forecasting Based on ARMA Systems [M]. New 175 York: leee 2012 [2] PASCUAL. L ROMO J, RUIZ E. Bootstrap prediction for returns and volatilities in GaRCII models [j] Computational Statistics Data Analysis, 2006, 50(9): 2293-312 3]TAY FEH, CAO L Application of support vector machines in financial time series forecasting []. Journal of University of Electronic Science Technology of China, 2007, 48(1): 847-61 180 4] CHEN WS, DU Y K Using neural networks and data mining techniques for the financial distress prediction model [J]. Expert Syst Appl, 2009, 36(2): 4075-86 [5 WANG B, HUANG H, WANG X. A novel text mining approach to financial time series forecasting J Neurocomputing, 2012,8.3(6): 136-45 [6 MARTINEZ L C, HORA D N D. MEIRA W, et al. From an artificial neural netw ork to a stock market l85 day-trading system: a case study on the BM&F BOVESPA; proceedings of the International Joint Conference on Neural Networks, F, 2009 C [7 DHAR S, MUKHERJEE T, GHOSHAL A K. Performance evaluation of Neural Network approach in financial prediction: Evidcncc from Indian Markct; proceedings of thc Intcrnational Confcrcncc on Communication and 山国武技论文在线 http:/www.paper.edu.cn Computational Intelligence, F, 2011 [C] l90 18 KIMIAGARI A M, JASEMI M, KIMIAGARI S. A Modern Neural Network Model to Do Stock Market Timing on the Basis of the Ancient Investment Technique of Japanese Candlestick; proceedings of the modellin and Simulation, F, 2010[CI [9]滔林.基于小波分析与神经网络的股票市场预测应用研究[D]武汉理工大学,2006 [1O IIINTON G E, SALAKIIUTDINOVR R. Reducing the dimensionality of data with neural networks 195 Science,2006,313(5786:504-7. 1 1 HOCHREITER S, SCHMIDHUBER J. Long short-term memory [] Neural Computation, 1997,9(8) 1735-80 [12] ZAREMBA W, SUTSKEVER I, VINYALS O. Recurrent Neural Network Regularization [] Eprint Arxiv, 2014. 200 [13 SINGH R, SRIVASTAVA S. Stock prediction using deep learning [ Multimedia Tools Applications 2016.1-16 [14 CHAN P M N, MOHAMMADALI M. Forecasting East Asian Indices Futures via a Novel Hybrid of Wavelet-PCA Denoising and Artificial Neural Network Models [. Plos One, 2016, 11(6): e0156338

...展开详情
试读 9P 论文研究-基于LSTM神经网络的股价短期预测模型 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于LSTM神经网络的股价短期预测模型 .pdf 41积分/C币 立即下载
1/9
论文研究-基于LSTM神经网络的股价短期预测模型 .pdf第1页
论文研究-基于LSTM神经网络的股价短期预测模型 .pdf第2页

试读结束, 可继续读1页

41积分/C币 立即下载 >