基于深度学习的LSTM模型股价预测应用研究.pdfVIP

2024年第23期ScienceandTechnologyInnovation｜科技与创新

DOI：10.15913/j.cnki.kjycx.2024.23.006

基于深度学习的LSTM模型股价预测应用研究

张喜凤

（首都经济贸易大学管理工程学院，北京100070）

摘要：传统的时间序列模型，如RNN（循环神经网络）在预测非平稳、非线性变化的股票数据时存在数据损失、无法长期

记忆等问题。LSTM（长短期记忆神经网络）模型作为一种RNN模型的变体，不仅可以处理非线性数据，还对时间序列以及

重要信息具有记忆性。介绍了LSTM和RNN神经网络模型的基本概念及方法，并选取股票市场的真实数据，通过建模对

比，预测股票的价格，并对模型进行性能评估与分析，证明LSTM模型在股票价格预测领域的有效性。

关键词：LSTM模型；RNN模型；股票价格预测；性能比较

中图分类号：TP183文献标志码：A文章编号：2095-6835（2024）23-0023-04

股票市场一直以来都备受投资者和经济学家的关处理时间序列问题。RNN不仅能接收来自其他神经元

注，股票价格的波动不仅会对个体投资者的财务状况的信息，还能接收来自自身的信息，从而形成一个双线

[3]

产生直接影响，也会对整个经济系统的稳定和发展产循环的网络结构，可以在循环中提取时间信息，具有

生重要影响。因此，准确预测股票价格一直被视为金短期记忆的效果。同时，RNN的神经元还可以同时接

融领域的重要挑战之一。然而，股票市场的复杂性和收上个神经元及外部信息，处理后传送给下一神经单

[4]

不确定性使得传统的时间序列预测方法面临很多限元，在时序上表现良好。

制，传统的神经网络模型（如RNN）通常存在线性关系利用RNN模型，可以对复杂序列进行深度学习，

和正态分布假设，无法充分捕捉到股票市场中的非线提高对其行为的理解与预测能力。同时，RNN模型能

性、非正态和时间相关性等特征，导致很难对股票价格够捕捉并处理现在与将来的变化，更好地对复杂网络

中的复杂模式和趋势进行准确预测。结构进行建模与理解。此外，RNN模型还能够模拟并

随着深度学习的快速发展，基于LSTM模型的股处理复杂的网络结构，使其能够更好地理解并处理复

票价格预测成为研究热点。相比传统的统计模型杂的网络环境。

（RNN循环神经网络），作为改良版的循环神经网络，1.1.2优势与不足

[1]

LSTM模型在时间序列数据预测中具有明显优势，在RNN的优点在于将时间序列信息与神经网络结合

股票价格预测中也取得了不俗的成果。通过将历史股起来，既保持了过去时刻产生的时间效应，又保留了时

票价格数据作为输入，LSTM模型可以学习股票价格的间序列数据的连续性。然而，随着时间序列的增加，学

[2]

复杂模式和趋势，并