王 东，王霄鹏，杨川东

（重庆理工大学 计算机科学与工程学院，重庆 400054）

随着我国经济的高速发展及人们经济意识的提高，理财行为逐渐成为广大家庭实现资产增值的主流方法之一。股票作为一种无偿还期限的有价证券，以其高风险、高收益的特征成为许多家庭理财投资的首要选择。因此，针对股市的波动特性及存在的特定规律进行合理分析从而正确预测出股市的走势，对于国家和家庭都具有重要意义。

一个良好的股票预测模型需要有较好的泛化能力，在模型的建立中，为了更加全面系统地分析问题，必须要考虑众多指标。但过多的变量无疑会增加分析问题的难度与复杂性。股票各项基础数据之间存在的相关性也使得数据所反映的信息会在一定程度上有部分重叠，并且不能很好地展现深层隐含的规律。针对此类问题，本研究在LSTM模型的基础上结合对股票价格反应更加敏感的相关技术指标，根据股票特性对模型进行改进，提高模型泛化性。并引入主成分分析法来提取出互不相干的几项主成分，在最大程度保留原始数据信息的同时，用较少的主成分代替原来较多的变量作为训练模型的输入数据。降低模型复杂度，提高学习速率。

1 基于主成分分析的LSTM 模型

1.1 获取训练数据

通过各大财经网站的股票数据站以及python的tushare财经数据接口包，获取了所选股票的九项基础数据：开盘价、收盘价、最高价、最低价、前收盘价、涨跌额、涨跌幅度、成交量以及成交金额。……