基于LSTM神经网络的沪深300指数预测模型研究

发布时间：2022-09-17 12:51

　　将LSTM用于沪深300指数的股价预测中,并在通用变量开盘价、收盘价、最高价、最低价的基础上新加入了日成交量与日成交额,以此来预测第二日的最高价,获得了比较好的预测效果,并与SVR模型和Adaboost模型预测作对比,LSTM获得的测试集RMSE要更低.接着,用SVR、Adaboost和LSTM进行岭回归集成,即,先用训练集对这三种模型进行训练,然后用训练数据进行测试,将它们的测试结果作为自变量,以相应的真实第二日最高价作因变量,进行岭回归,再对测试集数据做出预测,得到测试集的RMSE进一步降低;再者,查看回归方程发现SVR系数为负,与因变量呈负相关关系,进一步选取Adaboost和LSTM两种模型在训练集上的预测结果做自变量,相应的真实第二日最高价作因变量,再次进行岭回归,得到测试集的RMSE再次降低,进一步验证了回归集成算法的有效性,可以为广大投资者做买卖决策时提供重要的参考价值. 

【文章页数】：8 页

【部分图文】：

LSTM模型

图４情饵…－绪果??（ｃ）损央函数与训练次数关系图??情况二楚将开盘价、最高价、最低价、收盘价作为持征放入训练，来预测第二Ｈ的最高??

图５情况＝结果??

【参考文献】：
硕士论文
[1]基于BP神经网络和GARCH模型的中国银行股票价格预测实证分析[D]. 林楠.兰州大学 2014



本文编号：3679256