魏健 赵红涛 刘敦楠

摘 要：股票收盘价的涨跌受到多方面的影响，针对传统单一的算法难以准确预测收盘价，而CNN-LSTM和GBDT为神经网络模型和决策树算法中的杰出代表。设计基于卷积神经网络（Convolutional Neural Network，CNN）、長短时记忆神经网络（Long Short-Term Memory，LSTM）、梯度提升决策树（GradientBoostingDecisionTree，GBDT）、CNN-LSTM的组合预测模型，通过Python对上证指数进行实例验证以及与各单项预测模型比较得出，组合预测方法正确预测收盘价涨跌的比例远高于单项预测模型，其正确预测的比例达到了94.33%，在其他误差标准上，组合模型也有一定的优势。

关键词：收盘价短期预测;灰色关联;DBSCAN聚类;CNN-LSTM模型;BP组合模型;GBDT模型

中图分类号：F830.91        文献标志码：A      文章编号：1673-291X（2021）09-0075-05

引言

在股票市场中利用量价关系可以推测股价的走势，近年来股票的涨跌也越来越受到人们的关注，所以精准预测股票走势无疑是一个很重要的问题。根据近些年来金融工作者的反复研究，发现精准预测收盘价对判断股票的走势有指导性作用[1]。

收盘价既是股票交易的暂时终点也很可能是新的价格变动的开端，因此它对预测股票变化趋势有重要意义[2]。

苏适等（2017）[3]和金之榆等（2019）[4]介绍了异常值的数据处理方法，认为可以使用DBSCAN聚类的方法来筛选异常值。孙丽洁（2020）[5]和马煜等（2020）[6]使用灰色关联度来判断非线性各指标之间的关系，同时选用关联度较高的指标作为重点研究对象。勾玄等（2020）[7]和欧阳红兵等（2020）[8]提出使用神经网络模型来预测股票收盘价，尤其是CNN和LSTM模型在预测中有良好的效果。刘月峰等（2020）[9]使用CNN-LSTM模型来对电力负荷值进行预测，本文也尝试用此模型对次日股票收盘价进行预测。……