股票预测技术与混合模型在机器学习方面的应用与优势

智能系统与应用16（2022）200111审查股票预测Jaimin Shaha，Darsh Vaidya b，Manan Shahc，*a印度古吉拉特邦瓦多达拉巴罗达Maharaja Sayajirao大学技术和工程学院电气工程系b印度古吉拉特邦艾哈迈达巴德印度河大学计算机工程系c印度古吉拉特邦甘地讷格尔Pandit Deendayal能源大学化学工程学院A R T I C L EI N FO保留字：股市机器学习深度学习A B S T R A C T最近的许多研究都试图通过使用机器学习方法来创建有效的机械交易系统，以进行股票价格估计和投资组合管理。利用预测股票表现未来趋势的能力，可以最大限度地提高短期交易的投资回报。本文将回顾用于股票价格预测的各种人工智能（AI）和机器学习（ML）策略。这篇评论的目的是讨论各种股票价格预测技术，包括ARIMA，LSTM，Hybrid LSTM，CNN和Hybrid CNN。此外，它还将讨论各种模型的局限性和准确性，包括ARIMA模型，LSTM模型，MI-LSTM模型，Bi-LSTM模型，LSTM-DRNN模型，CNN模型，GC-CNN模型，CNN-LSTM模型，CNN-TLSTM模型和CNN-BiLSTM模型，在准确性百分比或误差计算方面，在标准方面。 标准的精度测量，如RMSE，MAPE，MAE。这些模型可用于预测LSTM模型的低MSE、RMSE和MAE所导致的准确库存率，或由CNN模型系统动态捕捉快速变化的能力所导致的第二天库存的总体趋势和偏转范围。这些特性说明了混合模型在有效准确地预测股票属性方面的优势。1. 介绍股票市场的走势对国家和个人消费者的经济有重大的经济影响股价暴跌可能导致广泛的经济动荡（Pettinger，2020）。这一广泛的观点构成了熊彼特开创性工作（1911）的基础，认为股票市场的发展是通过提供流动性、风险分担和多样化机会，有效地分配资源用于生产性投资，降低信息和交易成本，使公司能够进行有利可图的投资，这对经济有利。这一观点得到了先前几项实证研究的支持，这些研究确定了一个积极的股票市场表现与国家生态之间的相关性，经济增长。最近的研究也使用先进的时间序列和计量经济学来支持这一观 点 ， 这 些 研 究 确 定 了 股 票 市 场 发 展 对 经 济 表 现 的 因 果 影 响（BensonDurham，2002）。股票市场对国家经济有两大影响。首先，它有助于发现价格，其次，它提供了流动性健康的证券交易所在增长和储蓄、有效的投资配置和吸引外国直接投资方面对经济活动有显著的好处（Tripathi Seth，2014&）。传统的分析方法不能预测未来的股票价格，因为它们的方法是纯粹的金融和经济。股票市场总是受到社会情绪的影响预测未来是一个复杂的问题。它包含了太多的变量。有许多模型用于估计股票价格，但都失败了。预测市场比下国际象棋还复杂在国际象棋中，10的120次方是可能的，所以我们可以理解，预测股票价格比这个问题复杂得多社交媒体等网络应用程序的发展传播信息太快，影响了股价走势（Xing等人，2018年）。为了对这些信息进行分类，使用了均值-方差、贝叶斯资产配置和各种其他统计计算算法为了更好地预测股票市场，必须开发一种改进的技术，它包含更多的变量，并且模式可以很容易地被机器识别和计算。分析的基本方法* 通讯作者。电子邮件地址：manan. spt.pdpu.ac.in（M.Shah）。https://doi.org/10.1016/j.iswa.2022.200111接收日期：2021年9月21日;接收日期：2022年7月21日;接受日期：2022年8月8日2022年8月14日在线提供2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsJ. Shah等人智能系统与应用16（2022）2001112包括股票价格、利率、通货膨胀、上市公司的财务、公司的政策的定量研究，并且该参数用于分析未来股票交易（Yao等人，2018年;卢例如，2020年）。因此，宏观层面的股票分析是有效的，但并不总是准确的预测。需要大量的数据和知识，投资股票市场。股票市场投资的不同前景可能是个人兴趣，公司&的背景以及想象公司未来并扩大或扩展业务的能力（Thakkar Chaudhari，2020）。从股票市场低价购买而以更高的价格出售这只股票，并产生可观的利润是投资的目的。 然而，最关键的特征是选择股票，分析股票的趋势，企业愿景，它的目的，这包括大量的数据。先进的技术将分析这些大量的数据，我们选择一个好的股票。相反，有一个技术指标提供了对股票未来趋势的估计。这是基于三个假设：（1）股票价格反映了所有的知识;（2）股票价格波动遵循特定的规则;（3）类似的情况很可能在未来出现。为了确定这一重大数额该指标涵盖各种功能，如价格变化，波动率信号，买入和卖出信号，成交量权重，股票趋势发现，噪声估计和数据平滑。不同的算法可用于分析数据并确定趋势背后的相似性（Di，2014）。由于技术的快速进步，可以快速有效地处理大量数据。股票买卖、横切和成交量都可以在每一步进行精确的测量和评估。由于高频交易，纳 米交 易 和 日内 交 易 ，可 以 在 短时 间 内 购买 大 量 股票 （ GomberHaferkorn，&2013）。人工智能雇用自动销售助理，通过微调编程来提高人工智能输入大量的新数据。交易技术使用人工智能平台来识别多个市场大量交易的复杂模式。人工智能是一种具体的实例技术。当需要类似的历史实例时，复杂和不太了解的过程可以帮助黑盒方法。人工神经网络从训练和捕获数据的实例中学习。它是灵活的，可用于各种环境应用，如分类，功能评估，优化和预测。遗传算法开发了一系列可能的解决方案对于全局最优（Chen等人， 2008年）。股票市场问题是与人类代理人的持续接触，这并不总是可能的，无论是直接作为交易者还是间接作为投资者。另一个挑战是市场的持续波动;了解市场如何表现是所有人的核心问题之一（Boero等人，2013年）。这一差距可以通过人工智能技术多代理系统（Lussange et al.，2019年）。在人工智能中，每个智能体都有三个不同的特征：1。一个强化学习算法，用于开发自己的价格和股票交易技能，2.一个学习的过程，为代理人，这是一个基本面的方法，以股票价格估值框架3。交易者心理学的认知和行为偏差。改善教育的框架与决策过程有许多相似之处，并允许决策特征的功能整合，以代表神经经济学的特定偏见（Momennejad等人，2017年）。机器学习的发展使我们能够通过自动化现有的统计数据来预测金融市场（de Araújo等人，2019年）。机器学习是一种计算机系统或程序，它可以从现有数据中学习，从过去的数据中识别模式，并产生预期的结果，预测股票价格。股票市场包含时间序列数据，这些数据具有季节性，因此一些研究者基于统计学和概率论，使用线性预测模型从长期数据预测短期股票价格。股票的变动趋势价格是投资者最关注的问题之一，股票市场（Li等人，2019年）。股票价格波动往往是非线性的。 分析师们一直在努力预测股价提前变化（Xiao等人，2020年）。不同的机器学习技术，如递归神经网络（RNN），长短期网络（LSTM），卷积神经网络（CNN），自回归积分移动平均（ARIMA）和奇异值分解（SVD），用于更精确地预测股票价格。这使我们能够预测第二天的股票价格（Lu等人，2020年）。人工智能和机器学习在贸易中发挥着重要作用，因为新技术促进了贸易。机器学习是人工智能的一个子集，在商业领域提供了卓越的创新。股票交易员使用算法来实现证券交易的高速和高效。算法往往变得更加复杂，因为它们可以使用人工智能（AI）来适应不同的贸易模式。算法交易将转向实用的机器学习（ML），能够实时解密来自许多不同来源的大量数据 。 目 前 正 在 进 行 大 量 关 于 金 融 机 器 学 习 方 法 的 研 究 （ MoritzZimmermann，&2016）。在一些研究中，基于树的模型被用于估计投资组合回报，而在其他研究中，深度学习被用于预测未来的金融资产价格（Takeuchi Lee，2013&）。使用连续值数据和趋势确定性数据确定趋势也有助于开发投资组合。在指标的帮助下，趋势可以被估计并作为机器学习模型的输入，以及预测模型将返回股票的未来趋势（Patel，Shah&Kotecha，2014）。研究人员还使用了2阶段混合模型，其中第一阶段将有助于预测未来的值，该值作为预测第二阶段模型的输入并实现有希望的结果（Patel，Shah Kotecha，2014&）。这篇评论主要是为了提供一个详细的评估未来的趋势和股票收益包含各种股票市场预测方法。这项研究考虑到各种股票市场预测方法，已在以前的研究中使用的列表。审查突出了修订文件中使用的建模方法、数据集类型和绩效指标。本文回顾了LSTM，CNN，ARIMA和SVD方法，以确定哪一种最适合我们的问题。进行这项调查是为了集中注意研究差距和在这些方法中发现的问题。因此，该调查成为增长型股票市场预测潜在发展的动力。2. 股票市场要执行时间序列分析，数据必须是稳定的，这意味着统计特征，如平均值，方差和其他统计参数不随时间波动真实世界的数据，如股票价格，从定义上讲是不稳定的。BoX-JENKINS可以用 来处理这 种非平稳性 （Makridakis Hibon，&1997）。 ADF（Augmented Dickey-Fuller）检验用于检查数据的非平稳性;如果此NH失败，则数据很可能是平稳的。该检验产生p值;如果小于0.05，则NH被拒绝，数据是稳定的;否则，需要鉴别差分阶数。自相关（ACF）提供了确定差分项d的值的信息。为了确定p和q的值，分别需要进行偏自相关（PACF）和自相关（ACF）检验这可以估计ARIMA模型的参数ARIMA（p，d，q）。的残差图，这是接近零的平均值，是用来检查数据的平稳性。残差检查评价了每个模型的总体性能。性能也可以通过四个不同的误差测量来衡量，包括绝对误差百分比（APE）、平均绝对误差（AAE）和均方根误差（RMSE）（Hegazy等人，2015年）（图1）。Mondal等人，2014年，研究了自回归综合移动平均（ARIMA）模型对来自不同行业的56只印度股票的表现。本研究的目的是确定ARIMA模型的预测精度为股票市场的运动。利用AICs对ARIMA模型的阶次进行了辨识，结果表明，J. Shah等人智能系统与应用16（2022）2001113Fig. 1. ARIMA流程图在不同数量的训练数据集上，准确性几乎没有变化。平均绝对误差（MAE）用于确定模型的准确性。该模型的准确率达到85%，但准确率因部门而异。Bandyopadhyay Guha在2016年&使用ARIMA模型估计了未来的黄金价格。ACF和PACF相关图用于确定-挖掘模型模型参数，因为它也符合统计要求。的均方根误差（RMSE）、平均绝对百分比误差（MAPE）、MAE、贝叶斯信息准则（BIC）和Lung该模型的几个缺点包括它只能识别微小的差异，不能用于快速转变的情况，该模型基于线性历史数据，尽管没有确认线性黄金价格。Sen等人， 2013年训练了一个ARIMA模型，NSE- Nifty Midcap 50和另外四家Akaike信息标准预测模型的准确性，贝叶斯信息准则（AICBIC）和其他测试标准。本文的目的是模型识别，模型估计和模型验证。在本节中，识别模型的过程分为两个阶段：第一步是准备数据，第二步是选择模型 他们使用ACF和PACF图进行模型选择。使用AICBIC标准以及ACF和PACF残差进行估计和检验。性能使用MAPE、PMAD和%误差准确度进行测量。这使得能够根据业绩衡量的最低误差百分比制定新的投资策略或指示。Jadevicius Huston，2015&年研究了立陶宛房价对市场波动的反应，并对模型需求基本面的可靠性表示怀疑根据模型准确性评价评估，ARIMA（3，0，3）模型生成最强的样本内和样本外建模结果，构建了参数范围为1，0，0至4，0，4的ARIMA模型他们的模型预测明年房价的年增长率为8%这与先前的研究相反，先前的研究证明模型拟合并不总是与准确的预测相对应。邵岱，2018年&倡导发展农作物价格预测，以帮助满足不断增长的粮食需求。根据研究，在现实世界的数据中，ARIMA模型可能不足以分析非线性关系。因此，他们将特征选择方法纳入ARIMA，以提供自预测（滞后或以前的值）输入的人工神经网络，他们比较了模型使用MAPE，RMSE和MAE的听写能力。此外，他们指出了审判中的几个错误。计算最优ARIMA模式可以J. Shah等人智能系统与应用16（2022）2001114=====要花很长时间。为了估计出版业的销售额并制定商业战略，Omar等人，2016年开发了一种新的基于文章标题和ARIMA模型预测的混合神经网络（HNN）模型。使用归一化数据的平均均方根误差（RMSE）值确定最 佳 ARIMA 模 式 。 此 外 ， 使 用 建 议 的 方 法 ， 利 用 均 方 根 误 差（RMSE）计算预期销售额的平均Banerjee，2014使用Durbin-Watson（DW）检验来确定类型 的 我们 数据收集 并且，在本发明中， 基于 这个选择。确定是否使用时间序列分析来预测股票价格。此外，该模型的统计数据计算出权重迅速衰减，表明该过程是平稳和可逆的。预期不佳的政治动荡或政府政策（如财政、货币或专家投入政策）的快速变化将导致更大的波动如果模型失败的话Mehrmolaei Keyvanpour在2016年&提出了一种时间序列预测方法，通过引入估计误差的平均值来改进ARIMA模型。通过分析ARIMA（1，0，1）模型获得的最低MSE和MAE值来选择模型。基于预测长度，时间序列预测方法被分类并分成两组。一些团体创造了“短期估计量”和“长期估计量”这两个术语。“Ratnayaka等人，2015年的主要目标是识别行为模式，并开发一种新的混合预测技术，用于预测基于ARIMA-ANN的CSE价格指数。平均绝对偏差（MAD），平均绝对百分比误差（MAPE），MSE和均方根误差（RMSE）经常被推荐用于评估模型此外，他们得出结论，ARIMA（4，1，3）ARIMA（1，1，1）是预测短期趋势的最有效模型。杜，2018年创造了一种预测股票价格指数的技术它将ARIMA模型与反向传播神经网络相结合。因此，研究人员将该方法的结果与使用单个ARIMA模型和反向传播神经网络方法获得的结果进行了比较。最佳ARIMA类型是使用最小值Schwarz准则（SC）和BIC。RMSE和平均相对误差用于确定所创建的模型和传统方法的准确性。Filipe Mendes在2019年&使用ARIMA模型预测了比特币价格。时间序列数据被划分为训练集和测试集，表1使用ARIMA模型的论文资料日期“2019-04-01”，这意味着考虑训练数据，而在此日期之后的数据被认为是测试数据。虽然使用ACF和PACF来建立模型的参数，但是模型的精度仍然太低。相反，Roy等人，2019年使用相同的ARIMA模型预测BITCOIN价格使用ACF和PACF。该模型在“2013-06”和“2017-10”之间进行训练，其准确率为90.31%。由于训练阶段之后市场非常波动，初始模型的准确性很低。然而，由于在训练集之后的特定范围内的波动性，第二个模型对于时间序列预测，ARIMA模型使用ARIMA（p，d，q）值，代表自回归（p）、积分（d）和移动平均（q）。估计这个数量是一项奇怪的任务。为了获得时间序列数据的平线结果，必须重复求导的次数称为积分。D 0表示平坦趋势，1 对于具有中等波动的斜坡，和2对于抛物线趋势。这是d的值是如何计算的 自回归部分证明了当前值如何受前一时间步长的影响。对于p1，未来的股票趋势由前一个时间步决定，对于p2、趋势由过去两个时间步决定。类似地，如果d1，则未来股票趋势由一个先前的时间步长噪声确定;如果d 2，则未来股票趋势由两个先前的时间步长噪声确定。额外的回归和推导将有助于根据这些数字估计未来趋势。然而，找到p和q的值是困难的，因此ACF和PACF工具被用来估计该值（图10）。 2）。3. LSTM在股市预测中的应用存储单元由LSTM提供，它修改了传统的人工神经网络设计，取代传统的人工神经元在网络的隐藏层。该存储器单元能够有效地与存储器和输入两者相关联。LSTM与其他RNN的区别在于其记忆数据序列的能力。 LSTM中的每个节点都由先前的传输数据流。在LSTM模型的顶部，它保存细胞的先前状态，该状态充当记忆状态，存储和传输从过去到当前状态的信息。通过逐点乘法和加法，存储器状态被保存和更新。sigmoid函数用于删除以前的状态并更新内存中的当前状态，适当地接受或拒绝值。方法模型应用精度误差引用Arima（4，0，1）外汇价格预测-MAPE 0.008221%Abreu等人，2019GARCH（1，1）Arima-每30分钟-MAE-6.935纳伦德拉·巴布·埃斯瓦拉&MSE-70.602ARIMA（3，0，1）预测尼日利亚股市收益-RMSE -5.07263MAE -3.68315Reddy，2015IsenahOlubusoye，2014年&ARIMA（1，0，1）股票趋势预测Nifty-50误差准确率- 16.26%Sen等人， 2013ARIMA（1，0，2）印度各行业库存率预测85.32%至95.93% STD- 2.0353至17.4784Mondal等人， 2014ARIMA ANN-太阳黑子数据、电价数据和股市数据- MAE-12.8226沪ICP备16016660号-1Babu Reddy，2014年&ARIMA（1，1，1）比特币价格预测-RMSE-4，725 MAE-4，106菲利普·门德斯，2019&ARIMA（3，1，3）预测中国ARIMABPNN- 中国股票市场的时间序列预测78.79%-熊璐，2017&ARIMA MLP（1，0，1）DJIAI模型在测试数据集中的性能-MAE-351.77MSE- 204104MAPE-3.34%RMSE-451.78ARIMA-房屋价格预测-MAE- 3.2 RMSE-5.0MAPE-2.5%Khashei Hajirahimi，2019&潘，2019J. Shah等人智能系统与应用16（2022）2001115图二. ARIMA的数学模型当删除或添加一个新的状态到内存中时，遗忘门被采用，如果其值为0，则包含sigmoid函数，表示先前的状态被完全遗忘，或者1，表示其值被保留。这个过程是通过进行逐点乘法来执行的Memory Gate负责选择要存储在单元中一个称为“输入门层”的sigmoid层然后，使用tanh层，识别可能与内部状态耦合的值。存储来自先前输入的数据的输出门确定下一个隐藏状态（图1和图2）。3、4）。如图3所示，第一阶段是数据收集阶段，在此期间，我们定位并获取相关数据，例如通过Google Finance和Yahoo Finance。随后的步骤必须是数据预处理，即股票的收盘价在0和1之间进行转换，以方便计算。然后使用滑动窗口方法将数据集转换为矩阵X，该方法使用n-1个交易日的范围作为LSTM算法的输入，并输出第n个交易日日这个窗口一天一天地向前推进，用于计算网络端点的LSTM模型。从测试集进行训练后预测，然后使用性能指标进行模型评估。此外，该模型通常通过合并当前的一组股票价格数据重建根据Siami-Namini等人的研究，在2018年的研究中，RMSE值显示，在股票价格预测方面，基于LSTM的模型的表现优于基于ARIMA的模型，从84%到87%。作者使用雅虎财经从1985年1月到2018年8月的数据来训练和测试LSTM模型。ARIMA和LSTM的平均均方根误差（RMSE）值分别为5.999和0.936。此外，研究表明，当预测股票的时间序列时，时期的数量并不能提高模型Yadav等人，2020通过比较有状态和无状态LSTM模型并调整模型的隐藏层数量来优化LSTM模型。根据研究，无状态LSTM模型由于其增加的稳定性而被推荐用于时间序列预测问题。当对连续批次的文本执行语言建模时，合理的连接，构建有状态的LSTM是有利的。此外，研究结果表明，一个隐藏层模型实现了最佳的平均RMSE。Roondiwala等人，2015年使用LSTM进行显示、建模和预测NIFTY50的股票回报率。该系统分为五个阶段：原始数据采集、数据预处理、特征提取、神经网络培训和产出。该模型使用各种参数进行训练，例如打开/关闭，高/低/关闭和高/-低/打开/关闭以及各种时期。均方根误差（RMSE）技术被用来确定模型的有效性。最佳结果是在训练过程中获得0.0983的均方根误差（RMSE），在测试过程中获得0.0859的均方根误差（RMSE），使用四个特征（高/低/开/关）和500个epoch。Moghar Hamiche，2020&旨在确定学习机器算法预测趋势的准确性，以及时代如何帮助模型表现得更好。这项研究涵盖了通过雅虎金融（GOOGL和NKE）在纽约证券交易所（NYSE）交易的两只股票的开盘价。模型的测试图三. LSTM模型J. Shah等人智能系统与应用16（2022）2001116见图4。 LSTM的流程图（Nguyen等人， 2019年度）通过用更少的数据和更多的时间进行训练，可以改善各种数据集的结果。对于100个epoch，GOOGL的损失为4.97E-04，NKE的损失为8.74E-04。Istiake Sunny等人，2020年使用公开可用的股市数据集评估LSTM和双向LSTM模型，包括开盘价、高价、低价和收盘价。对于双向LSTM模型， 密集层的数量增加，而神经元的数量减少，从而提高了测试数据的准确性并减少了训练时间。Chen等人， 2015年比较随机方法和LSTM模型预测中国股票收益率。而LSTM模型将股票预测的准确率从14.3%提高到27.2%。在研究中比较了许多方法，首先是随机，其准确率为14.3%，其次是基于（收盘，成交量）的M1至M5模型，M1与归一化，（高，低，开盘，收盘，成交量），（上证指数（收盘，高，低，开盘，收盘，成交量），和高，低，开盘，收盘，成交量），只使用上证ETF180指数的股票进行训练和验证。此外，效率从15.6%提高到27.2%。Selvin等人， 2017年研究了用于预测Infosys，TCS和Cipla收入的RNN，LSTM和CNN模型。对于Infosys，RNN、LSTM和CNN的百分比误差分别为3.90、4.18和2.36。同样，在TCS和Cipla的情况下，RNN，LSTM和CNN的百分比误差分别为7.65，7.82，8.96和3.83，3.94，3.63。与ARIMA模型相比，Infosys、TCS和Cipla的百分比误差分别为31.91、21.16和36.53Nelson等人， 2017年展示了LSTM模型结果与基线相比的统计测试结果。p值小于0.05的大多数病例显示出显著优势。该模型对BOVA11的准确率为54.6%，对BBDC 4的准确率为55.9%54.5 ITUB 4为53%，CIEL 3为53%，PETR 4为53.3%，精度为47.5%~56.3%。此外，通过监控最高损失，可以确定LSTM模型比其他方法具有更少的风险。Li等人，2018年提出了一种改进的基于LSTM的MI-LSTM，在从输入数据中提取潜在信息和噪声方面优于以前的版本。MiLSTM在均方误差方面比LSTM提高了9.96%。此外，使用三个额外的变量和高斯噪声，研究人员已经显示出比原始LSTM和基于注意力的双阶段RNN的改进。Li等人，2020年调查各种因素对价格波动问题的影响，投资者可以在现实世界的工作环境中进一步应用。(1)从波动周期手动提取的特征;（2）常规技术交易指标;以及（3）从DAE导出的特征，其可以被隐含地表示。这种方法的准确率为55.19%，精确度为55.16%。其中，哈希什等人，2019年使用隐马尔可夫模型来描述加密货币的历史行为，以便使用长短期记忆网络预测未来的行为。滚动LSTM模型的均方根误差和平均绝对偏差分别为59.04和0.044，优于所考虑的其他模型。此外，在研究中使用了传统的技术交易指标，结果表明，我们提出的模型具有最低的MSE，RMSE和MAE的所有实施模型（表2，3）。对于时间序列预测，LSTM表现得非常好。这模型可以调用以前的值，并利用这些信息预测未来的股票趋势或价格。该模型由输入中的指标组成状态，它将通过sigmoid激活函数和Tanh激活函数传递。这将有助于存储单元存储当前输入。它使用上一个时间步的隐藏状态和内存状态。它在记忆状态下记住所有相关的历史数据，但忘记单元格，这是隐藏状态决定哪些数据重要，哪些不重要。隐藏状态是记忆状态的Tanh和当前状态的Sigmoid，这将有助于理解数据因为sigmoid激活函数，遗忘单元格的输出范围为0到1。如果输出是1，LSTM完全回忆起之前的状态;如果输出是0，它完全忘记之前的状态;如果值在中间，它可以部分记住该内存状态的重要性。这将在下一个LSTM时间步长中通过，并有助于确定股票的未来趋势或价格（图1）。 5）。4. CNN在股市预测CNN是一种前向神经网络，图像和视频处理，以及自然语言处理。 它们还可以预测时间序列数据。CNN的局部感知和权重共享能够显著减少参数值，从而提高模型的学习效率。 数据被提供给输入层进行预处理，这一层的输出是从那里传递到卷积层，数据通过池化层和平坦层，这些都包含在CNN-LSTM模型中。卷积过程应用于输入信号，以提取其属性。此外，池化层可以用于对输出特征图进行下采样，这允许卷积层对所提取的特征图进行概括。扁平层将所有给定的特征图转换为一维向量，然后作为输入传递到LSTM层。这也有助于模型的能力，以扣除过拟合的问题（图。（六）。维达尔&Kristjanpoller2020发展的新模型使用J. Shah等人智能系统与应用16（2022）2001117表2误差由各种混合LSTM和深度前馈网络的HMAE计算（Kim Won，2018&）1天ahea7d预测窗口长度（天）提前14天预测i 15 22 7 15在Windows上的长度（天）提前21天预测i 22 7 15在Windows上的长度（天）22DFN0.68250.67640.65980.70560.69070.67530.71770.70090.6770LSTM0.55590.52890.51860.56170.53310.52700.58890.55140.5474W-DFN0.66510.64100.63630.68600.66730.65040.69530.68920.6629G-DFN0.63260.61300.60860.65410.63620.62040.68370.66720.6450E-DFN0.61110.58780.57000.63460.61220.60800.65240.63230.6282W-LSTM0.50960.50400.49120.55720.51390.51000.57220.55080.5108G-LSTM0.50460.50010.45260.55110.50950.47520.56290.53930.5055E-LSTM0.50140.46330.44650.53550.48190.45230.53630.48610.4715GW-LSTM0.49900.44590.44190.52490.44850.44580.53310.44850.4472EW-LSTM0.46530.43750.43400.48510.43980.43810.49190.43990.4398GE-LSTM0.44980.43310.43280.46370.43750.43570.47740.43950.4389GEW-LSTM0.43590.43050.42910.45090.43640.43430.45970.43760.4349表3使用LSTM模型的论文信息数据频率技术输出性能测量参考HKExDailyLSTM/AttLSTMPriceAccuracyS.陈&戈，2019年纳斯达克每日LSTM趋势方向准确性Sirignano &Cont，2019年上证每日LSTM + CNN价格MAPEJing等， 2021S &P500MinuteLSTMPriceRMSELanbouri &Achchab，2020Yahoo Finance-Regression and LSTMPriceMSEParmar et al.， 2018CSI-300DailyMI-LSTMPriceMSELi et al.，2018CSI-300DailyLSTM趋势方向准确性Wang et al.，2020中石油与中兴通讯Daily LSTM+ DRNN趋势方向MAE丁勤，2020&巴西证券交易所DailyLSTMPriceAccuracyNelson et al.， 2017S&P500MinuteLSTMPriceRMSELanbouri &Achchab，2020STOXXEvery 5 DaysLSTMPriceMAPE，RMSELai et al.， 2019SupplyChainDailyBi-LSTMPriceMASE，RMSE，MAE，sMASEPacella &Papadia，2021S &P500DailyLSTMPricePercentage LossLiang et al.， 2019比特币每日MRC-LSTM价格MAE，RMSE，MAPEGuo et al.， 2021卷积层，从时间序列数据中提取相关信息。模型进行了各种测试，并将其与最有效的股票价格预测深度学习模型进行了比较。最近的研究表明，LSTM模型可以在记忆单元的帮助下提高预测能力，记忆单元可以存储过去的重要模式体验. 的 研究人员 介绍 CNN-LSTM， 一 独特的前-黄金价格走势预测的铸造模型本文提出的模型由两个卷积层组成，通过该模型可以从给定的数据中提取特征，这些数据包含较低的MAE和RMSE值，最适合回归问题。在分类中，该模型预测未来的股票时刻，并超越，以确定未来的趋势（图。7）。Lu等人，2020年提出了CNN-BiLSTM-AM方法来预测第二天的股票收盘价。这种方法利用了卷积神经网络（CNN ）和注意力机制（AM）。文章描述了一种CNN-BiLSTM-AM技术，用于基于股票价格数据的时间属性预测第二天AM用于表示给定时间序列数据的特征图及其随时间对预测结果的影响。实验结果表明，与MLP，CNN，RNN相比LSTM，BiLSTM，CNN-LSTM，CNN-BiLSTM，和BiLSTM-AMCNN-BiLSTM-AM具有最高的预测精度和性能。单一神经网络难以获得最佳预测精度，因此将网络复杂化或使用多个神经元可以帮助提高预测精度 。 结 果 表 明 ， 该 技 术 表 现 最 佳 ， MAE 和 RMSE 最 低 （ 21.952 和31.694）。Rezaei等人，（2021）认为，由于时间序列数据本质上是非线性的，并且本质上是高度不可预测的。为了对数据进行分析和精确估计，利用经验模态分解（EMD）和完全包络经验模态分解（CEEMD）将方法，然后将其用作许多CNN-LSTM管道模型的输入。然后构建混合CEEMD-CNN-LSTM算法该模型从输入中提取数据的深层重要特征，重构期望数据，进而预测股票价格。到为了确定模型这种CNN可以增强正确性训练数据、模型的性能和模型的有效性。此外，这项研究表明，分解算法优于没有解剖的模型。与最先进的基线算法相比，标准普尔500指数、纳斯达克、大疆、纽约证券交易所和RUSSELL在2019年的Hoseinzade&拟议框架被用来预测指数第二天与基线技术相比，CNNpred能够将所有其他指数的预测性能提高约3%至11%。除了证明所提出的方法的实用性外，这些观察结果还意味着，构建用于股票预测问题的CNN可能是一个根本性的困难，值得进行更多的研究。Hiransha等人， 2018年预测一家公司的股票率使用可访问的使用多层感知器（MLP），RNN，LSTM和CNN深度学习架构的历史数据。即使神经网络是在国家股票EX变化（NSE）数据上训练的，它仍然能够预测纽约股票EX变化（NYSE）。这是可行的，因为这两个股票市场有一些共同的内部特征。这些模型能够检测股票和外汇市场的趋势。由于这一发现，很明显，这两个股票市场有着相同的基本面动态。该模型比ARIMA模型具有更好的性能。这项研究表明，深度学习模型能够识别时间序列数据中的动态特征。CNN的表现优于其他三个网络，因为它能够捕捉系统中的快速变化，J. Shah等人智能系统与应用16（2022）2001118图五. LSTM的数学模型利用特定窗口来预测随后的时刻。Chen等人，2021使用基于图形卷积特征的神经网络（GC-CNN）预测市场趋势的独特方法投资11.14%，三个月这是一个比道琼斯工业指数（DJI）更准确和无风险的指标。加-模型在这文章.EX实验显示的建议的从理论上讲，我们可以得出结论，深度强化学习方法基于GC-CNN的方法击败了许多市场趋势预测。研究模拟股票交易在财务评估中的应用，使用各种预测和其他典型的股票交易方法。 虽然建议GC–CNN-based technique requires a longer training period, it beatsexisting 结论是，具有优越计算性能的技术可能并不总是产生优越的交易指示。这种方法能够产生比其他方法更一致，稳定和更大的回报。Cavalli Amoretti，2021&提出了一种基于一维CNN的比特币未来方向预测的有效技术。他们展示了一个基于云的系统，该系统具有非常高效的分布式架构，使他们能够收集大量数据并生成多个独特的数据集，这使得能够比LSTM模型更精确地预测比特币的未来方向，从而在比特币趋势向上时增加利润，并在趋势向下时减少损失。Soleymani Paquet，2020年&介绍了DeepBreath投资组合管理策略。这种方法基于深层强化学习这种技术预测股票的方向依赖于一个特定的它的特点是最大限度地提高投资回报。卷积网络用于从一批数据中提取最显著的特征，并量化与投资相关的风险。一个月的投资回报率对于长期投资尤其准确，正如结论性地表明我们的系统有效性的根据Wang等人的研究， 2021年，CNN-TLSTM 的 混合（tanh-LSTM）模型可以对复杂的非线性数据进行高效的股票价格预测，并对美元/CNY汇率进行研究，以确定下一交易日的汇率。MLP、CNN和LSTM模型都有一些显著的缺点，包括预测精度较低和模型的孤立结构。该模型由两个组件组成：CNN和TLSTM，其中卷积层用于从输入数据中提取特征因子，而TLSTM组件用于从TLSTM组件中提取特征因子。通过该模型可以达到0.18945和0.00038的MAPE和MSE误差分别。其可以实现分别为0.18945和0.00038提出的深度学习模型集成了许多CNN管道，线和双向LSTM单元。每个CNN管道接收50个股票价格数据作为输入，并将输出发送到双向LSTM模型。bi-LSTM模型包含200对LSTM单元，产生400个输出，并提供50%的dropout以避免过拟合。该模型优于更常用的SVM模型。此外，该模型显示出预测性能的提高，同时最大限度地减少过拟合效应。Liu等人，2017年提出了CNN-LSTM模型，用于分析股票市场的定量交易策略。是J. Shah等人智能系