闫政旭，秦 超，宋 刚

1.山东财经大学 金融学院，济南 250014

2.山东财经大学 计算机科学与技术学院，济南 250014

3.山东大学 数学学院，济南 250100

在股票市场中，股票价格的涨跌受价格指标、流通量指标以及活跃程度等多种因素的影响。在股票市场中，人们希望能够有效地预测出股票价格的走势，从而避免带来不必要的损失，并分析出影响股票价格波动的重要影响因子。但在股票市场中，股票价格的波动本身就是一种非线性、动态、不平稳的过程。其波动过程中本身就含有或大或小的噪声，从而对股票价格的走势造成重大的影响。所以，如何更加准确地在多维数据特征下准确地预测股票价格走向以及波动程度成为了国内外诸多学者关心的问题。

股票价格作为一种时序性的时间序列，对其预测的方法一直是人们关注的重点。机器学习是近年来流行起来对股票价格进行预测的一种新的方法，支持向量机（Support Vector Machine，SVM），BP 神经网络以及逻辑回归都曾先后用于股票的预测。彭燕等[1]用LSTM对股票进行了良好的预测，但LSTM因遗忘门的存在将先前的股票数据保留一部分对未来股票价格进行分析预测从而具有滞后性，使得预测结果整体后移，增加了实验误差。张晨希等[2]采用支持向量机的方法对股票建立了预测模型，但是其并未对支持向量机的参数进行优化。而在缺失数据的情况下，支持向量机会变得敏感，影响输出结果。在复杂的特征以及大量数据下这些单分类器模型并不能对股票预测取得良好的效果。……