邓飞燕,岑少琪,钟凤琪,潘家辉

(华南师范大学 软件学院,佛山 528225)

1 引言

1.1 研究背景

随着经济全球化的发展,美股市场愈发受到我国投资者的青睐,伴随着金融市场的发展和强烈需求,股票价格趋势预测倍受学术界、业界关注.众所周知,投资股票具有高收益的同时,也伴随着高风险,而影响股市波动的内外因素众多且难以量化,处理海量、繁杂的股票数据工程量大,所以传统的非人工智能的方法在股票价格预测上往往不尽如人意.因此,如何利用大数据技术去发掘股票中隐含的众多有价值的信息,运用LSTM 等神经网络技术进一步解决股票价格趋势预测的问题,具有非常重要的意义.

1.2 研究现状

长短期记忆网络(Long Short-Term Memory,LSTM)在时间序列上具有优异的表现,LSTM 神经网络的时间序列和选择记忆性等特性非常适用于股票价格随机的时间序列预测,可以从大量复杂的股票历史数据中选择性学习有用的隐藏信息,进而辅助决策[1].

1997年,Hochreiter和Schmidhuber[2]通过对无法刻画时间序列长记忆性的RNN 进行改造,提出了LSTM模型.2015年,Chen 等[3]采用LSTM 对中国股市的收益率进行预测.2016年,Jia 等[4]验证了LSTM在预测股票价格走势上具有有效性.

在国内,2016年孙瑞奇[5]使用LSTM 对美股股指进行预测,并与BP 神经网络和传统RNN 模型做对比,证实了LSTM的预测准确度更高,获得了较低的误差均值:0.783%股指.邓凤欣等[6]利用LSTM 模型对美港股票中市值较大的4 支股票进行预测,得出4 支个股价格趋势预测的RMSE 均处于(0,0.1)的区间内,预测结果显著.认为……