论文部分内容阅读
股票作为当下最为流行的理财方式之一,吸引了越来越多投资者的参与。股票投资的风险较高,因此如何降低风险、增加盈利便成为了广大投资者最关心的问题。研究者们也开始使用各种方法对股票进行预测,对投资者交易股票起到了一定的指导作用。机器学习的快速发展也推动了神经网络的发展应用,大量的研究已经证实了利用神经网络能够对股票进行较好的预测。本文重点研究了BP神经网络、循环神经网络和LSTM神经网络在股票预测中的应用,主要的研究内容包括以下三个方面:第一,对BP神经网络、循环神经网络、LSTM神经网络以及它们的优化方法在股票预测问题上的研究与应用进行了综述。第二,对BP神经网络、循环神经网络和LSTM神经网络的原理和特点进行了分析。针对感知机存在的线性不可分问题,采用BP神经网络进行解决,能够对非线性问题进行处理;而BP神经网络不能体现数据间时序关系的问题,采用循环神经网络可进行解决,能够对短期的时序进行记忆;针对循环神经网络存在的梯度消失问题,采用LSTM神经网络进行解决,能够挖掘时间序列中的长期依赖关系。仿真实验结果证明BP神经网络、循环神经网络、LSTM神经网络对股票的预测性能依次增强。第三,采用一种注意力机制的编码器-解码器模型,从特征和时间两个方面加入注意力机制,编码器和解码器都使用LSTM神经网络。该方法解决了时间序列预测中存在的两个问题:第一个问题是多个输入特征对目标序列的影响程度是不同的,采用特征注意力机制处理该问题,能够得到不同输入特征的权重,获得鲁棒性更好的特征关联关系;第二个问题是序列的前后数据具有较强的时间相关性,采用时间注意力机制处理该问题,能够得到不同时间点的权重,获得鲁棒性更好的时序依赖关系。仿真实验结果表明,注意力机制的引入,可以得到更低的预测误差,证明了该模型处理股票预测问题的有效性。