杨语蒙，李兴东

（兰州交通大学，兰州 730070）

0 引言

在股票市场中，股票价格的升降受到各项综合指标的影响，如宏观经济层面、经济动荡层面、股民意愿层面、社会舆论层面等。人们较多的关注股票价格的波动趋势以及涨跌情况，希望实时的掌握股票市场的信息，进而避免利益损失。由于股票市场的非线性复杂性、价格的波动变幻万千以及影响股票价格的因素千差万别，使得研究股市波动成为国家经济发展不可或缺的一部分。早期研究中，预测股票市场走势的方法千差万别。时间序列预测方法是通过研究对象的时间排序数据进行预测分析，反映预测对象发展变化的规律。该系列的预测方法主要有自回归模型AR、移动平均模型MA、移动平均自回归模型ARIMA、广义自回归异方差模型GARCH等。如张旭东［1］提出了基于离散型隐马尔可夫模型的股票价格预测；崔文喆［2］借助GARCH-BP组合模型实现了股票价格的预测。这些时间序列模型属于传统的股票价格预测方法，最早被引入股票市场，受到了广泛关注。

随着宏观经济的深入以及市场愈加复杂，股价研究方法也随之变得成熟，发现这些传统的时间序列预测方法和机器学习预测模型［3-4］在预测准确性方面并不能很好的发挥作用，它们未考虑到序列的长期记忆信息以及股票市场区别于其他市场的复杂性、无规律性等特点，从而未能对股票价格变动做出很精准的估计。

为了解决传统预测方法预测精度低、预测效果差等问题，后来又逐渐引入了神经网络预测模型。……