黄超斌，程希明

(北京信息科技大学 理学院，北京 100192)

0 引言

股票价格的预测在商业和金融领域具有重要的意义，但由于股票价格受到众多因素的影响，导致股票价格预测十分困难。国内外许多相关工作者进行股票价格的预测研究，使用的方法大致可以分为3类：使用传统的时间序列模型、使用机器学习算法以及使用神经网络模型。

冯盼等[1]运用ARMA模型(自回归移动平均模型)对股票开盘价格进行预测，证实了ARMA模型在金融时间序列数据上预测的效果；王丽娜等[2]使用ARMA模型在经济非平稳时间序列上进行预测分析；田翔等[3]使用支持向量回归方法(support vector regression，SVR)构建股指短期预测模型，提出一种非线性时间序列预测模型；Wang Shuai等[4]以及Wang Jianzhou等[5]通过使用支持向量机(support vector machine，SVM)构建模型进行沪深300指数的趋势预测，验证了支持向量机在股票价格指数预测中的有效性。近年来，深度学习和神经网络的研究发展迅速，Dixon等[6]使用 BP(back propagation)神经网络模型，预测商品期货和外汇期货在未来5 min的价格波动。

传统的时间序列模型在使用时要求时间序列数据必须是平稳的且无自相关性，在进行中长期的变化趋势预测时误差较大。随着研究的不断进行，许多学者将机器学习算法和神经网络模型应用到股票价格的预测之中。相比于传统的机器学习算法，使用神经网络模型时不需要构建复杂的、特定的特征工程即可构建有效的学习模型，因此在数据预处理阶段会节省大量的工作和时间。神经网络模型可以有效解决股票数据的不确定、非线性、非平稳等问题。……