![](https://csdnimg.cn/release/download_crawler_static/85194781/bga.jpg)
首都经济贸易大学硕士学位论文 基于 LSTM 神经网络的美股股指价格趋势预测模型的研究
第 11 页共 57 页
工业指数以及上证综指 2005 年 1 月 2 日到 2015 年 9 月 10 日的日 K 数据。数据包括
时间、开盘价、收盘价、最高价、最低价以及日成交量 6 个属性。除时间作为时间序
列的索引以外,其余 5 个属性均作为自变量存入数据库,并带入以上三种神经网络模
型中进行预测。
研究方法:
预测方式为利用前 10 个成交日的数据预测第 11 日的收盘价数据。这是考虑到超
过 10 日的数据对于第十一日的数据影响较小,且极大概率会影响预测的准确性,所
以在神经网络的训练中,将 10 年数据每十条分成一块,十天数据代入其中进行训练,
预测出第十一天的数据然后与原始数据进行对比。训练的方式主要为首先利用设计好
的随机函数三次打乱这 10 年的数据集,将每一块与每一块完全打乱,已达到块与块
之间完全独立且无任何关联,然后取前 75%的数据块进行训练,训练完成后再取原数
据后 25%的数据块进行滑动顺序预测。这样的训练方式主要是考虑到,训练模型数据
之间的独立性,如果训练预测 10 日后直接再接着训练预测下一个 10 日则会使模型受
到上一个 10 日的直接影响,从而降低模型的准确性以及训练效率,而打乱顺序的话,
则可以完美的保持数据独立性,从而使模型误差达到最小。滑动预测则更是为了加强
预测的合理性和准确性。
研究方向主要为 BP 神经网络、RNN 神经网络以及 LSTM 神经网络三者在股指
价格预测上的对比分析,以预测拟合股指图形与计算误差的形式来实证其差异。并说
明中美股指在模型适用性上的差异,同时对比日成交量大和日成交量小的股指对比说
明模型适用性上的差异。
研究工具:
研究工具选取如下:首先在 BP 神经网络的训练预测上,运用 R 语言的开源代码,
进行拟合并计算误差。然后,在 RNN 以及 LSTM 的训练预测上,运用 LUA 语言进
行编程,并以 TORCH 作为深度学习框架。进行训练预测拟合图形并计算误差。
1.5 论文的创新点
由于国内外并没有运用 LSTM 神经网络来预测时间序列,尤其是对股票的预测,
故本文具有如下几点创新点:
1.以往的神经网络股票预测中,只停留在以 BP 神经网络以及其优化算法的研究