王平飞

（四川大学计算机学院，成都610065）

0 引言

股票市场可以带来高收益率，如何合理预测股票的走势，获得最大的收益一直是业界学者探索的方向。但由于股票数据存在噪声，影响因素颇多，预测过程较为复杂。人工智能技术的发展为股票预测研究提供了新的思路，各种机器学习算法如SVM、BP、随机森林[1-3]以及深度学习算法LSTM、LSTM-CNN-CBAM、LSTM-AdaBoost[4-6]等算法相继在股票收盘价预测中得到了应用,但是以上模型均是针对股票的收盘价进行预测，虽然取得了较好的结果，但是仍然存在误差，并且预测的结果也存在滞后性，加上投资人普遍更关心涨跌的趋势。针对这一情况，夏阳雨新提出了基于LSTM的股票多类别预测模型[7]，包振山在LSTM收盘价预测模型的基础上使用GA算法对股票的涨跌信号进行判定，提出了基于LSTM-GA的股票涨跌预测模型[8]。

本文对长短记忆网络（LSTM）、随机森林（RF）和集成森林进行了深入研究，提出了一种基于时序集成森林的混合股票多类别预测模型，该模型首先使用LSTM和随机森林进行收盘价的预测，再将预测的收盘价与前一天预测的收盘价进行对比得到涨跌信号，再使用集成森林对LSTM输出的时序特征和涨跌信号进行分类，得到最终的股票涨跌趋势。结合了LSTM提取时序特征的能力和随机森林的回归能力以及集成森林强大的分类能力，最后使用平安银行股票数据进行了验证，实验结果表明本文提出的股票预测模型精度更高。

1 股票预测模型框架

1.1 方法总体架构

本文中提出的股票预测模型总共有3个步骤。……