基于粒子群优化LSTM的股票预测模型

论文摘要

为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化（PSO）的长短期记忆（LSTM）股票价格预测模型（PSO-LSTM）,该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。

论文目录

文章来源

类型: 期刊论文

作者: 宋刚,张云峰,包芳勋,秦超

关键词: 粒子群优化,神经网络,自适应,股票价格预测,预测精度

来源: 北京航空航天大学学报 2019年12期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技,经济与管理科学

专业: 自动化技术,金融,证券,投资

单位: 山东财经大学计算机科学与技术学院,山东财经大学山东省数字媒体技术重点实验室,山东大学数学学院

基金: 国家自然科学基金(61672018,61772309),国家自然科学基金-浙江两化融合联合基金(U1609218),山东省重点研发计划(2016GSF120013,2017GGX10109,2018GGX101013),山东省高等学校优势学科人才队伍培育计划,山东省自然科学杰出青年(ZR2018JL022),山东省自然科学基金(ZR2019MF051)~~

分类号: TP18;F830.91

DOI: 10.13700/j.bh.1001-5965.2019.0388

页码: 2533-2542

总页数: 10

文件大小: 5525K

下载量: 2285

相关论文文献

标签：粒子群优化论文;  神经网络论文;  自适应论文;  股票价格预测论文;  预测精度论文;