摘 要：针对国家对证券市场的监管和投资人对证券市场的决策而言，一个精确度更高的时间序列预测模型是很重要的。本文在吸取前人利用神经网络模型进行证券价格趋势预测中的经验，基于长短期记忆人工神经网络搭建时间序列，提出利用指数移动平均值均线对数据进行采样，以提高时间序列对证券价格趋势预测的准确性。本文采用的时间序列数据为上证指数日线收盘价，实验结果表明预测精确度提高70%，采用指数移动平均值均线对数据进行采样输入时间序列分析模型的预测效果优于传统方法进行数据采样。本文的实验结果为国家对市场的监督和投资者的决策提供了一定参考。

关键词：时间序列;指数移动平均值;神经网络;LSTM;深度学习

本文索引：陈腾劲 .<变量 2>[J].中国商论，2021（20）：-094.

中图分类号：F832.0 文献标识码：A 文章编号：2096-0298（2021）10（b）--03

时间序列分析是以已有的历史数据为根据，通过数学建模进行分析和判断未来发展趋势的一种手段，被广泛地运用在证券走势的预测当中。自20世纪80年代开始，在人工智能（Artificial Intelligence， AI）領域，人工神经网络（Artificial Neural Networks， ANN）受到越来越多的关注。得益于最近十多年来科技的进步，人们在半导体领域的探索不断深入，ANN的研究工作也不断向前迈进，已经取得了很大的进展。传统的时间序列分析方法因其对高噪声序列分析的效果不佳，又因证券价格为高噪声序列，故难以对证券价格趋势的变动做出科学的、严谨的判断，而ANN容易处理不完整的、模糊不确定或规律性不明显、高噪声的数据，所以用ANN进行价格预测的优势是传统时间序列模型无法相提并论的。……