基于LSTM等深度学习方法的股指预测研究

• 作者: 李佳 陈冬兰 黄之豪
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 深度学习 LSTM 股指预测 百度指数
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 人工智能
• 页码范围: 17-21
• 页数: 5页
• 分类号: TP306
• 字数: 4352字
• 语种: 中文
• DOI: 10.11907/rjdk.191155

摘要

为了改善传统时间序列方法无法在预测模型中添加相关变量等缺点,并提高股指预测精度,运用LSTM神经网络等深度学习方法对我国上证指数及沪深300指数进行预测分析,并将预测结果与RNN、CNN、ARMA等模型进行比较,然后在模型中加入百度指数测试其对预测精度的影响,最后检验LSTM模型对训练步长的敏感性.研究结果表明,LSTM能够实现对股指的精准预测,其预测评价指标MAE、MAPE、RMSE分别为0.008、0.025、0.011,预测误差低于其它模型,加入百度指数可进一步提升其预测能力,但改变LSTM模型训练步长对结果影响不大.因此,LSTM模型在金融经济预测领域有较高的应用价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李佳	上海理工大学管理学院	35	121	6.0	10.0
2	陈冬兰	上海理工大学管理学院	5	5	1.0	2.0
3	黄之豪	上海理工大学管理学院	5	10	2.0	3.0