基于深度学习LSTM神经网络的全球股票指数预测研究

发布时间：2024-03-22 02:34

　　作为深度学习技术的经典模型之一,长短期记忆(LSTM)神经网络在挖掘序列数据长期依赖关系中极具优势。基于深度神经网络优化技术,本文构造了一个深层LSTM神经网络并将其应用于全球30个股票指数三种不同期限的预测研究,结果发现:①LSTM神经网络具有很强的泛化能力,对全部指数不同期限的预测效果均很稳定;②相比三种对照模型(SVR、MLP和ARIMA),LSTM神经网络具有优秀的预测精度,其对全部指数的平均预测精度在不同期限上均有提升;③LSTM神经网络能够有效控制误差波动,相比三种对照模型,其对全部指数的平均预测稳定度在不同期限上亦均有提高。鉴于LSTM神经网络在预测精度和稳定度两方面的优势,其未来在金融预测等方向将有广阔的应用前景。

【文章页数】：13 页

【文章目录】：
一、引言
二、模型构建
    (一) LSTM神经元结构
    (二) LSTM神经网络的构建
    (三) 训练方法及优化器选择
三、数据来源及样本选择
    (一) 数据来源及描述
    (二) 总样本区间及训练集、测试集划分
四、预测方法及思路
    (一) LSTM神经网络方法及预测思路
    (二) 非线性对照模型 (SVR模型及MLP神经网络) 及预测思路
    (三) 线性对照模型 (ARIMA模型) 及预测思路
五、实证研究
    (一) 测试集预测效果评估指标构建
    (二) 短期预测结果比较分析
    (三) 中期预测结果比较分析
    (四) 长期预测结果比较分析
    (五) LSTM神经网络预测效果比较分析
六、结论及政策建议



本文编号：3934502