基于DMD-LSTM模型的股票价格时间序列预测研究

• 作者: 卫作臣 史建楠 张见 汪春梅 邹俊忠
• 来源期刊: 计算机应用研究
• 关键词: 动态模态分解 长短期记忆神经网络 模态特征 板块联动效应 市场背景
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 662-666
• 页数: 5页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.08.0657

摘要

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络(DMD-LSTM)的股票价格时间序列预测方法.首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测.在鞍钢股份(SH000898)上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邹俊忠	华东理工大学信息科学与工程学院	43	273	9.0	15.0
2	张见	华东理工大学信息科学与工程学院	18	133	5.0	11.0
3	汪春梅	上海师范大学信息与机电工程学院	23	126	7.0	10.0
4	卫作臣	华东理工大学信息科学与工程学院	8	60	3.0	7.0
5	史建楠	华东理工大学信息科学与工程学院	2	0	0.0	0.0