基于层次聚类和CNN-LSTM的股票价格涨跌预测研究.pdfVIP

摘要

随着股票市场的不断发展，股票市场的相关预测已经成为金融领域的重要

研究方向。由于行业内各公司的股票价格通常受制于共同的市场心理、行业走

向和政策变动，往往会表现出同向波动现象，特别是在同一行业板块内部，股

票间存在着显著的相关性。理论与实践均证实，股票市场并非简单的线性系统，

[1]

而呈现出层级聚类结构，股票间的关系错综复杂且蕴含着深层次联系。为此，

本文提出一种基于层次聚类和CNN-LSTM的股票涨跌预测模型。层次聚类有助

于发掘股票间的内在结构和相关性，CNN能自动捕获诸如价格图表中的视觉特

征，无需人工设计复杂的特征提取算法；而LSTM则擅长处理时间序列数据，

能够敏锐地识别和利用股票价格的时间依赖性，对于预测股票走势至关重要。

本文以沪深300中的成分股作为股票的样本空间，并以其中的招商银行为

例展开了实证研究，预测其下一分钟的五分类涨跌趋势，最后再推广到其他股

票预测中。该研究选取了一段特定的时间范围，即从2023年1月30日至2023

年7月28日的股票交易数据。在此基础上，通过技术指标的构造，进一步丰富

了股票指数技术分析指标体系，运用多元化特征选择技术来筛选出最具预测力

的特征集合。实验过程中，针对每分钟的数据进行动态窗口滑动处理，生成一

系列10*10的二维图像矩阵。其中，矩阵的横坐标包含了当前时间维度下经过

精选的10个特征变量，纵坐标则对应10个连续的时间步长，以此形成一个多

维、动态的时间特征矩阵。最后，将这些构造完成的二维图像输入到CNN模型

中，以期挖掘并捕捉股票市场中潜在的非线性规律和时空模式。LSTM模型部

分则是在将样本空间中的股票通过层次聚类后，挑选出和目标股票具有潜在强

相关的同类股票，将簇内股票的指标特征一同输入LSTM模型部分，最后通过

stacking的集成方式组合模型。

实验结果表明，本文提出的基于层次聚类和CNN-LSTM的股票涨跌预测模

型在股票价格预测任务上取得了较好的效果。模型在招商银行的五分类涨跌问

题中准确率为30.1%，相比于随机猜测的准确率为20%，提高了50.5%。我们还

将模型推广到了其他沪深300十大权重上，对比了本文模型与四种主流预测模

型的效果，本文模型具有较明显的提升，能够更准确地预测股票价格的变化趋

势，为投资者提供决策支持，并且本文还通过消融实验进一步验证了模型各组

件的有效性及相互之间的协同作用。

关键词：股票预测；层次聚类；CNN；LSTM

Abstract

Withthecontinuousdevelopmentofthestockmarket,therelevantforecastofthe

stockmarkethasbecomeanimportantresearchdirectioninthefinancialsector.

Becausethestockpricesofcompaniesintheindustryareusuallysubjecttothecommon

marketpsychology,industrydirectionandpolicychanges,theyoftenshowthe

phenomenonofvolatilityinthesamedirection,especiallywithinthesameindustry

sector.Thereisasignificantcorrelationbetweenstocks.Boththeoriesandpracticehave

confirmedthatthestockmarketisnotasimplelinearsystem,butpresentsahierarchical

clusterstructure[1].Therelationshipbetweenthestocksisintricateandcontainsdeep-

levelconnections.Tothisend,this