原文服务方: 计算机应用研究       
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.
推荐文章
数据多维处理LSTM股票价格预测模型
长短期记忆网络
股价预测
组合模型
萤火虫算法
最小二乘支持向量机
基于情感分析和GAN的股票价格预测方法
股票价格预测
情感分析
卷积神经网络
生成对抗网络
基于分型布朗运动的股票价格趋势预测
布朗运动
分型布朗运动
蒙特卡洛模拟
正态性检验
股票价格
EMD和GARCH模型应用于股票价格预测
股价预测
EMD
GARCH模型
自回归模型
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于DMD-LSTM模型的股票价格时间序列预测研究
来源期刊 计算机应用研究 学科
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
研究方向 页码范围 662-666
页数 5页 分类号 TP391
字数 语种 中文
DOI 10.19734/j.issn.1001-3695.2018.08.0657
五维指标
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
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (41)
共引文献  (11)
参考文献  (13)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1987(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(1)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(3)
  • 参考文献(0)
  • 二级参考文献(3)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2010(6)
  • 参考文献(1)
  • 二级参考文献(5)
2011(4)
  • 参考文献(2)
  • 二级参考文献(2)
2012(3)
  • 参考文献(0)
  • 二级参考文献(3)
2013(10)
  • 参考文献(1)
  • 二级参考文献(9)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(3)
  • 参考文献(1)
  • 二级参考文献(2)
2016(6)
  • 参考文献(3)
  • 二级参考文献(3)
2017(4)
  • 参考文献(3)
  • 二级参考文献(1)
2018(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
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
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机应用研究
月刊
1001-3695
51-1196/TP
大16开
1984-01-01
chi
出版文献量(篇)
21004
总下载数(次)
0
总被引数(次)
238385
论文1v1指导