隨著國家經濟不斷的發展和人民生活水平的提高,股票投資已經成為很多民眾重要的投資方式之一。可是股票投資會面臨一定的風險,因此對于股票投資者來說能更好的預測股票走勢是非常重要和有意義的。然而股票的變化趨勢相對復雜,數據量大,數據的信息重疊度高,數據的波動值較大等,對于一些傳統的預測模型來說,不僅訓練時長增加且不易學習到變化的規律,這些都會導致一些股票模型預測結果不理想,與實際數據差異大。基于此本論文通過卷積神經網絡(CNN)改進長短期記憶(LSTM)模型并聯合GM(1,1)灰色模型構建混合模型,對股票的價格進行了預測研究,主要研究內容如下:1.數據處理。在股票官方網站選取滬深兩大股市中具有代表性的股票,收集40萬條歷史股票信息,通過My SQL數據庫進行存儲,并對數據進行研究性分析篩選。2.改進LSTM模型。在LSTM模型前增加卷積神經網絡模型進行數據處理,整合LSTM模型和CNN模型的特點來解決因記憶模塊能力有限造成的預測滯后的問題。3.傳統預測。對改進的LSTM模型和GM(1,1)模型單獨進行股票預測,實驗預測結果顯示兩種模型對股票收盤價預測表現良好,但是GM(1,1)對長數據處理能力...

【文章頁數】：48 頁

【學位級別】：碩士

【部分圖文】：

圖2.1LSTM結構圖

2相關基礎理論與關鍵技術碩士研究生學位論文62相關基礎理論與關鍵技術2.1相關模型2.1.1LSTMLSTM作為一種特殊的循環神經網絡，解決了長序列訓練過程中梯度消失和爆炸的問題，網絡結構更加復雜。LSTM引入了一種細胞狀態，并結合了遺忘、輸入和輸出門來丟棄、維護和更新信息。模型....

圖3.1滬深300成分股權重占比Figure3.1ProportionofsharesofCSI300component

3數據集的構建與數據處理碩士研究生學位論文14從網易財經官方網站中下載數據后，以CSV的格式保存在數據庫中進行統一的管理。同時為了更好的分析股票，從中證指數網站下載最新的滬深300股票權重比例。滬深300部分股票權重結構如表3.2所示。表3.2部分成分股權重Table3.2Equ....

圖4.1改進的LSTM模型流程圖

?優勢和特點來改進LSTM模型，在LSTM模型前增加CNN模型進行數據處理，利用CNN自身特征提取和降維的優勢，可以減少LSTM模型在預測時的數據量，提高數據處理的速度和LSTM模型的數據記憶能力。為了發揮出LSTM模型自身數據記憶能力的優勢并降低網絡的負載冗余增量，在改進的LS....

圖4.2LSTM-CNN模型的架構

4基于改進LSTM和GM(1,1)的混合模型股票預測碩士研究生學位論文22圖4.2LSTM-CNN模型的架構Figure4.2ArchitectureoftheLSTM-CNNmodel4.3實驗方案及結果分析4.3.1數據預處理實驗數據：在網易財經網中下載上海交易所2010年1....

本文編號：3998799