基于DMD-LSTM模型的股票价格时间序列预测研究

发布时间：2021-10-31 16:00

　　针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。 

【文章来源】：计算机应用研究. 2020,37(03)北大核心CSCD

【文章页数】：5 页

【文章目录】：
0 引言
1 算法原理
    1.1 DMD算法
    1.2 LSTM(long short-time memory)神经网络
2 基于DMD和LSTM的股票价格预测方法
    2.1 模型数据集构造
    2.2 基于DMD模态分解的特征提取
    2.3 DMD-LSTM价格预测模型
3 实证分析
    3.1 数据来源
    3.2 模型评价指标
    3.3 DMD-LSTM模型预测方法实现
        3.3.1 DMD模态特征提取
        3.3.2 LSTM模型结构选定
        3.3.3 结果对比与分析
4 结束语



本文编号：3468431