基于LSTM和灰色模型的股价时间序列预测研究.pdfVIP

基于ＬＳＴＭ和灰色模型的股价时间序列预测研究

摘要０引言

影响股价的因素错综复杂，因此在

考虑多变量情形下，对时间序列中常用股权融资是直接融资的一种重要渠道，能够将现实生活中多余

的长短期记忆网络（ＬＳＴＭ）进行修正，并的资金筹集起来，缓解融资约束．在一个成熟的市场上，股票的价格应

选取股票价格进行预测．首先，采用方差

膨胀因子（ＶＩＦ）进行变量的筛选，再结合当反映股票的内在价值．然而，内在价值的判定涉及折现率等一系列

自适应提升法（Ａｄａｂｏｏｓｔ）模型查看特征问题，很难做出精确的度量．在投资时，多数投资者所关注的仅是些常

变量的重要程度．其次，用爬虫对投资者见的技术性指标和基本财务指标，但即使在资本市场发达的美国依

情绪进行文本分析，计算情绪指数等指

标并揭示其与股价的关系．然后，对格力然很难达到强有效或者半强有效市场，股票价格不免遭到国家政策、

电器、飞科电器、美的集团３支股票进行地缘政治、投资者情绪等突发性宏观或微观因素的影响．因此，在进行

股价预测，对比多层感知器（ＭＬＰ）模型、投资时，对股价做一个较为综合的考量，能帮助投资者降低投资风

ＬＳＴＭ模型，并选择适当的模型作为基准

模型，在基准模型的基础上加上情绪指险，具有一定现实意义．

数、投资者关注度等指标构建了ＬＳＴＭ⁃股价数据具有非线性、非平稳、高噪声、强时变性等非常显著的

ＥＭ模型．进一步，在考虑了投资者情绪特征，对股价的预测具有一定挑战．纵观已有研究，早期的研究主要运

后对残差项使用ＧＭ（１，１）模型进行修

正．实证结果表明，该模型能对股价进行用技术分析或经典时间序列模型．其中，技术分析是结合股票的成交

较为精确的预测．量、成交价格等常见的市场指标来判定股价走势．研究者常结合时间

关键词序列模型来预测股价，常用的模型有差分整合移动平均自回归（ＡＲＩ⁃

股价预测；综合预测；文本分析；误

［１］

差修正；长短期记忆网络（ＬＳＴＭ）；灰色ＭＡ）模型、针对金融数据波动聚集效应的广义自回归条件异方差

模型［２］

（ＧＡＲＣＨ）模型及ＡＲＩＭＡ模型的变种———向量自回归（ＶＡＲ）模

［３］［４］［５］

型．除传统的计量模型外，灰色模型、ＢＰ神经网络模型以及模

［６］

糊理论在股价预测中也有较多应用，但这些模型存在一定的缺陷，

即对非线性、长期时间序列的效果较差．

随后，学者们对各种模型进行了结合与改进．针对模型中存在的

［７］［８］

收稿日期２０２２⁃１０⁃０８多重共线性问题，使用主成分分析（ＰＣＡ）或ＬＡＳＳＯ方法进行变

量的降维筛选．参数的优化也是其中的改进方向之一，智能优化算法

借鉴自然中常见的现象设计算法，因原理简单、收敛速度快成为较常

用的工具，其中，细菌群体趋药性、果蝇、遗传优化等算法在处理模型

的最优权值结构中有广泛的应用，且多应用于超参数较多的ＢＰ、

［９⁃１２］