摘要

如何準確地進行股票預測一直是量化金融領域的重要問題。長短期記憶細胞神經網絡（ＬＳＴＭ）的出現較好地解決了股票預測這類的復雜序列化數據學習的問題。然而前期研究結果表明單一使用該方法仍存在預測不平衡、陷入局部極值導致能力不佳的問題。基于上述問題，文中利用將遺傳算法（ＧＡ）解決調參問題來保證模型預測的平衡性，由此構建了新型股票預測模型。該模型分為三部分，首先利用 ＬＳＴＭ 網絡進行收盤價的預測，再利用基于遺傳算法的判別機制，最終獲取下一刻股票的漲跌信號。這一模型不同于先前的研究，主要針對 ＬＳＴＭ 模型的輸出模塊進行了改進。文中使用了中證５００的日內分鐘數據進行測試驗證。實驗得出，改進模型的各方面指標均優于單獨的 ＬＳＴＭ 模型。

１ 引言

股票市場的預測一直備受關注，然而由于其固有的噪聲環境和相對于市場趨勢的較大波動性，其掣肘因素特別多，因此該過程非常復雜。以往股票市場預測技術大致可分為基于預測的技術和基于聚類的技術兩大類。本文主要討論基于預測技術的股票價格預測問題。目前針對股票價格預測的研究有人工神經網絡（ＡＮＮ）、支 持向量機（ＳＶＭ）、時 間序列模型、基于模糊的技術和隨機性來優化定價模型等方法。

在前人工作中，人工神經網絡（ＡＮＮ）已被證實善于處理復雜關系問題，但是神經網絡的測試和訓練速度較慢。此外，過度擬合、陷入局部極小值和黑盒技術是神經網絡的缺點。ＳＶＭ 的特征選擇方法無法指出所需的最優特征數量，嚴重影響了系統精度，因 此 該 研 究 不 易 拓 展。Ｋｒａｕｓｓ將 隨機森林方法應用到了股 票 預 測 問 題 上，取得了較好成績。Ｆｉｓｃｈｅｒ等評價，隨機森林可以 作 為 任 何 創 新 機 器 學 習 模 型 的強大基準。ＧＡＲＣＨ 是 經 典 的 時 間 序 列 模 型，廣 泛 應 用 于 時 間 序列的預測，但它們都假設時間序列的值是一個線性生成過程。然而，市場特征是非線性的，與政治和經濟條件及其經營者的期望相互作用，使得 ＧＡＲＣＨ 假 設 不 適 用 于 許 多 金 融 時 間 序列應用。長短期記憶網絡（ＬＳＴＭ）是一種時間遞歸神經網絡，適合處理和預測時間序列中間隔和延遲相對較長的重要事件。這一技 術 特 征 與 股 票 預 測 問 題 有 著 很 高 的 契 合 度，ＬＳＴＭ 彌補了 ＧＡＲＣＨ 受限于線 性 模 型 的 問 題，極有可能為股票預測問 題 提 供 一 個 解 決 方 案。Ｆｉｓｃｈｅｒ等 基于 Ｓ＆Ｐ５００數據通過 ＬＳＴＭ 模型進行收益率的預測。實驗表明，收益率預測準確率在５１％～５４％ 左 右，要 優 于 隨 機 森 林 和 ＤＮＮ 模型。這樣的預測結果并不令人滿意，導致準確率不理想的原因有很多，比如模型結構不佳、特 征 樣 本 不 適 合、神經網絡通病———陷入局部極值。在該問題的討論中，有研究者調整了模型參數，結合多維度數據處理特征樣本等。

延續以往的研究，本 文 基 于 中 國 中證５００ 股票數據提出了一種基于 ＬＳＴＭ 網絡的機器學習方法來預測未來價格，而后又在 ＬＳＴＭ 模型基礎上改進為股票漲跌的預測，該方法采用遺傳算法改進調參模型，從而提升了預測效果，彌補了單一應用 ＬＳＴＭ 網絡的不足。

總體框架設計

股票預測模型分為兩部分，由 ＬＳＴＭ 網絡和漲跌決策模塊組成，如圖所示。我們設計了 ＬＳＴＭ 網絡，用來學習股票歷史數據規律，預測 出 下 一 時 刻 的 股 票 收 盤 價。漲跌決策模塊用來將收盤價數據轉換成漲跌信號。我們根據具體實驗設計了兩套算法，一是傳統的閾值方式來定義漲跌；另一種是結合股票歷史數據來自適應地調整閾值大小定義漲跌。

遺傳算法原理

遺傳算法（ＧＡ）是一種常用的求解方法，通常用于優化工程、計算機科學、經濟管理等領域的問題。與蟻群算法和模擬退火算法等進化算法不同，ＧＡ 通過選擇、交叉 和 突 變 個 體 來選擇最佳物種進行生物繁殖。其模擬生物的進化來解決優化問題，程序化流程如圖 所示。ＧＡ 算 法 的 核 心 在 于 將 實 際問題編碼以便模擬生物的進化過程。為了模擬生態的進化過程，比較常見的方式是 引 入 基 因 鏈 的 概 念。經過編碼把一個物種轉換成一條基因鏈，兩條基因鏈的部分基因進行交換重組，獲得新的基因鏈，這樣就完成一次物種進化。ＧＡ 算法成熟的編碼方式有很多，如二進制編碼、格雷碼編碼、排列編碼等。我們選用二進制編 碼 方 式 來 描 述 實 際 問 題，完成交叉變異過程。

結束語

金 融 市 場 預 測 問 題 一 直 是 金 融 領 域 的 核 心 問題。隨著機器學習技術 的 進 步，研 究 人 員 開 始 嘗 試 將 機 器 學習模型應用到金融領 域 來 解 決 實 際 問 題。借 鑒 之 前 的 研 究，我們從 ＬＳＴＭ 神經網絡入手，構建了用于預測股票收盤價 格的神經網絡 模 型。 結 合 實 際 應 用 場 景，結 合 ＬＳＴＭ 模 型 和ＧＡ 算法來實現 股 票 價 格 的 漲 跌 預 測。通 過 實 驗 分 析 發 現，ＬＳＴＭ 的預測在小幅變化 的 價 格 變 動 中 表 現 良 好，但 在 大 幅價格變化時表現 出 滯 后 的 現 象。 結 合 ＬＳＴＭ 和 ＧＡ 的 漲 跌預測模型能較為準確地預測市場的漲跌情況，對投資有一定的參考價值。

總結

以上是生活随笔為你收集整理的lstm需要优化的参数_1-基于LSTM-GA 的股票价格涨跌预测模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。