基于CNN-BiSLSTM股票收盘价预测模型

文摘

随着股市是国民经济的重要组成部分,越来越多的投资者开始关注的方法提高投资回报率,有效避免一定的风险。许多因素影响股票市场的趋势,以及相关信息的时间序列的性质。提出了一种复合模型CNN-BiSLSTM预测股票的收盘价。双向特别长短期记忆(BiSLSTM)改善双向短期记忆(BiLSTM)增加1−双曲正切(x)函数在输出门使模型更好的预测股票价格。影响股票价格模型提取高级特性通过卷积神经网络(CNN),并预测股票收盘价数据处理后通过BiSLSTM CNN。来验证模型的有效性,深证成指的历史数据从7月1日1991年10月30日,2020年,用于训练和测试CNN-BiSLSTM。CNN-BiSLSTM是与多层感知器(MLP)相比,递归神经网络(RNN),长期短期记忆(LSTM) BiLSTM CNN-LSTM, CNN-BiLSTM。实验结果表明,平均绝对误差(MAE)、均方根误差(RMSE)和r平方(R²)CNN-BiSLSTM评价指标都是最优的。因此,CNN-BiSLSTM可以准确地预测深证成指的收盘价的下一个交易日,可以作为参考对大多数投资者有效地避免一定的风险。

1。介绍

股票预测的研究是一个金融大数据的应用研究方向。与中国经济的快速增长和金融市场的不断扩大,越来越多的投资者开始关注的方法来提高投资回报率,有效避免一定的风险。在这些方法中,股票价格预测具有重要意义在商业和金融领域(1,2]。面对股票价格的上升和下降,投资者将获得不可预测的利润甚至亏损,所以它已成为投资者关注的一个问题来预测股票价格并选择值得投资的股票。针对股票市场的复杂性和不稳定性3),大量的变量和信息来源的过程中,需要考虑股票价格预测,这是一个非常艰巨的任务,仍然是金融行业的关注和讨论(4]。传统的分析方法是使用现有的股票数据和相关技术图表,结合投资者的经验来预测股票价格。但这种方法不适用在当今越来越大而复杂的股市。除了低效率和过度依赖人工经验,也有一系列的问题,如贫困股票内容信息的完整性和功能数据冗余。股票数据的利用率低,效果不好,所以很难满足市场发展的需要。

许多因素影响股票市场的变化趋势和股票价格波动的趋势显示非线性变化规律非常复杂,所以它往往是很难预测股票市场(5]。增加可用性的高频交易数据和人工智能的日益普及,深入学习是青睐的“升级版”现有的模型和方法不依赖计量经济学假设和专家经验(6,7]。深度学习神经网络具有良好的非线性函数关系的拟合能力(8,9]。建立一个深层神经网络来预测股票价格的趋势,已被人们广泛关注,和一些学者也对这方面进行了深入研究(10- - - - - -12]。2010年,Nair等人建立了一个去噪混合股票价格预测模型基于决策树(13]。首先,模型被用来提取相关特征的股票数据,然后选择使用的决策树算法提取的特征。然后,主成分分析(PCA)算法被用来减少维度。减少维度数据被输入到模糊模型对股票价格的预测。2016年,王等人利用支持向量机(SVM)来构建一个模型来预测沪深300指数的趋势,验证了支持向量机的有效性在股票价格指数预测。(14]。2019年,Hoseinzade和Haratizadeh提出一个框架基于CNN和预计标准普尔500指数的趋势,纳斯达克指数,道琼斯指数,纽约证券交易所指数和罗素指数在第二天。结果表明,预测性能高于基线算法。(15]。

更准确地预测股票收盘价格,提出了一种基于CNN-BiSLSTM股票预测模型,它使用股票数据的最后五个交易日来预测下一个交易日的收盘价。BiSLSTM改善输出门基于BiLSTM模型。模型由CNN和BiSLSTM。CNN是用来提取股票数据的特点,和BiSLSTM用来预测股票收盘价。与BiLSTM相比,BiSLSTM可以输出门的输出值更准确。CNN-BiSLSTM可以更准确地预测下一个交易日的股票收盘价格,可以作为参考对大多数投资者有效地避免一定的风险。主要贡献如下:(1)CNN提取功能,提出了影响股票价格。一维CNN可以应用于时间序列分析。一维卷积层从样本数据中提取高级数据功能,充分利用特征信息的输入数据,采用本地链接、共享、重量和空间或时间相关采样下来方法获得更好的特性,使得提取的特征更多的区分,并提高模型预测结果的准确性预测当股票的收盘价。(2)BiSLSTM提出预测股票的收盘价。BiSLSTM改善在BiLSTM添加1−双曲正切( )函数输出门,所以输出的值范围门终于(0.24,1)。因此,BiSLSTM不仅BiLSTM的强大的学习能力,也有更好的拟合效果比BiLSTM模型训练过程。因此,BiSLSTM适用于分析时间序列数据之间的关系。

2。相关工作

人工神经网络(ANN)已被证明是能够处理复杂的非线性问题,但是神经网络的测试和训练速度慢(16]。此外,过度拟合和陷入局部最小值的缺点神经网络。黄等人把LSTM作为主要的股票预测模型,采用贝叶斯优化方法动态地选择参数来确定最优数量的单位,和预测精度与传统LSTM相比提高25% (17]。Gunduz等人发送每个样本到CNN有关技术指标,提高预测的准确性(18]。广义自回归条件异方差性(GARCH)是一个经典的模型广泛应用于时间序列预测,和GARCH假定值时间序列是一个线性生成过程。然而,市场特性是非线性的,因此GARCH假设是不适合许多金融时间序列的应用程序(19]。温等人提出了一种新的方法来简化noisy-filled系列金融时间序列通过重建利用图案(频繁模式),然后利用CNN捕获时间序列的空间结构(20.]。但大多数传统时间序列分析研究依赖于股票价格之间的线性关系,这是更适合序列与稳定的趋势和规律,所以这种关系使得它们不足以处理更复杂的非线性关系。然而,股票价格显示不确定性和非线性的特性,和股票价格波动的影响因素非常复杂。这些都是忽略简单的时间序列分析。因此,预测效果差(21]。

RNN提出后,多数学者发现,RNN会忘记前面的状态信息随着时间的推移,然后提出了LSTM。在深度学习,LSTM网络结构是适合学习时间的数据类型和广泛用于各种任务的时间序列分析22,23]。LSTM比传统的递归神经网络(24,25]。它克服了梯度消失或梯度爆炸的问题26]。许多金融时间序列的研究使用LSTM造型(27]。张等人使用生成对抗网络(GAN)来预测股票市场28]。延时被用来鉴别器和LSTM网络作为发电机预测收盘价。这是一个突破的一种新方法,值得进一步深化和提高。这种方法的优点是,它可以捕捉股票数据的时间序列特征。秋田等人使用日经新闻的文本数据作为输入LSTM,结合市场时间序列数值数据预测开设10家公司的价格(29日]。在模拟交易策略下,与数值模型训练数据和文本数据,可以获得更高的利润率比模型训练只有数值数据。Hyun等人提出了一个基于CNN的股票价格预测模型。9个技术指标被选为预测模型的预测,和技术指标转换成时间序列图的图像来验证新的学习方法的适用性在股票市场(30.]。杨等人提出了一个基于LSTM混合预测方法和集成经验模态分解(EMD)。首先,综合EMD方法将复杂的原始股票价格时间序列分解成几个子序列,然后LSTM方法被用来训练和预测每个子序列。最后,我们获得了最初的股票价格时间序列的预测价值通过融合的预测价值几个子序列(31日]。陆等人提出了一个CNN-LSTM-based模型来预测股票价格。CNN被用来有效地从数据中提取特征,和LSTM用来预测股票价格与提取的特征数据。这种预测方法不仅提供了一种新的股票价格预测研究的想法,但也提供了实际经验为学者研究金融时间序列数据(32]。

3所示。CNN-BiSLSTM

3.1。卷积神经网络

CNN在1998年勒存等人提出的(33]。CNN是一个多层神经网络结构与深监督学习结构,这是能够处理时间序列数据和图像数据。CNN以来已经成功地应用于二维图像的预处理,同样的想法也可以用来处理一维数据(34]。CNN使用少量的参数获取输入数据的特点,并将其组合在一起,形成先进的数据特征。最后,这些投入先进的数据特性的完整连接层进一步回归或分类预测。典型的CNN结构包括输入层、卷积层、汇聚层,完全连接层和输出层。其中,卷积层主要执行卷积操作在样品通过卷积内核获得下一层的输入。池层是CNN的一个重要组成部分,可以有效地减少模型参数的数量和降低操作的复杂性而有用的信息地图的特点是保留。CNN卷积可以通过逐层提取数据特征和池操作。过滤器可以设置适当的窗口大小和窗口滑动步长根据输入数据的大小和需要提取特征。

在一维卷积神经网络,一个一维数组作为卷积核。在传统的二维反向传播算法,尺寸需要调整以匹配卷积内核。正向传播过程中,当前的输出卷积层可以表示如下: 在哪里是输出特性的地图 - - - - - -当前层(层的神经元 ); 输入的特征的数量吗 - - - - - -th卷积层;前一层的输出特性图(层 - - - - - -1),也是当前的输入层;代表卷积操作;代表了卷积的内核 - - - - - -th神经元的 - - - - - -1层的 - - - - - -th神经元的层;是 - - - - - -th神经元的层标准偏差;和是激活函数,这是通过使用以下公式:

二次抽样层,池层可以确保映射的不变性,和max-pooling可以表示如下: 在哪里的输出是什么 - - - - - -当前层的神经元 ;max-pooling()函数采样下来,最大值在一定的范围内;池的规模;和是池的步长。

3.2。长时间的短期记忆

LSTM首次提出在1997年的由Hochreater。施密德胡贝尔表示(35]。2000年,蒙古包等人改进了LSTM网络和提出了忘记门方法,这是适合连续预测(36]。在2012年晚些时候,严重的改善和提升LSTM [37]。在许多问题上,LSTM已经取得了很大的成功,得到了广泛的应用。

LSTM是RNN的前任。RNN的神经网络学习序列模式通过内部循环。RNN的反向传播过程,是传播回激活函数,所以斜率将变得极其微小的或非常大,和梯度消失或梯度爆炸发生的问题。2013年,Hochreiter等人提出了记忆细胞和盖茨,这些门结构可以解决RNN的梯度问题,添加或删除单元格信息(38]。这样的门结构可以存储信息很长一段时间,和不必要的信息被遗忘39,40]。LSTM使用内存单元而不是神经元。LSTM记忆细胞的结构如图1。LSTM细胞包含一个存储单元( )和三个门的结构。三个门结构包括输入门( ),忘记门( ),和输出门( )。输入门当时是用来计算的输入信息和控制输入的新信息到内存单元。忘记门是用于控制内存单元,需要保存上一次的信息。输出门是用来控制输出的信息量的内存单元。

在图1,是输入;是隐藏的状态,让网络记忆能力;和下标−1和代表不同的时间步长。它的节点之间的连接形成一个有向图序列,和计算基于上一层的隐藏状态的输出和输入当前的时刻。LSTM的计算原则如下。

首先,输入的值计算使用公式(4),候选人的状态值输入单元的时间计算使用公式(5):

其次,下面的公式是用来计算激活忘记门的价值在时间t:

第三,原始信息和新增加的信息,分别由忘记门和输入控制的门。的 , ,和 ,计算在前两个步骤,用于计算更新后的值细胞的状态使用以下公式:。

新的细胞状态后,公式(8)是用来计算输出门值,和更新存储单元使用公式(9)来计算当前隐藏状态 :

在公式(4)- (9), , , ,和代表四个不同的权重矩阵, , , ,和代表偏移量,乙状结肠函数,象征∗代表向量叉积。

最后,执行反向传播来获取LSTM,这些存储单元组成。通过以上计算,LSTM可以有效地使用输入时间序列数据,使其长期记忆的功能。

3.3。双向长期短期记忆

尽管LSTM可以获得长途的功能信息,获得的信息是之前的信息输出时间,和它不使用相反的信息。在时间序列预测,时间序列数据的前后信息法律应该充分考虑,可有效提高预测精度。BiLSTM包含两个LSTM,正向和反向。与标准LSTM one-way-state传输相比,BiLSTM认为数据的变化规律之前和之后的数据传输,可以更完整和详细的决定使用过去和未来的信息。它已经显示出优越的性能。BiLSTM由向前计算和向后计算,从BiLSTM图结构2。在图2,水平方向箭头表示时间序列信息的双向流动模型中,数据信息流动在一个方向垂直从输入层到隐层到输出层。

3.4。CNN-BiSLSTM

CNN-BiSLSTM是CNN和BiSLSTM的混合。BiLSTM BiSLSTM改善,1−双曲正切( )函数添加到输出门,所以输出门的价值范围大约是(0.24,1)。因此,BiSLSTM不仅BiLSTM的强大的学习能力,但是也有一个更好的拟合效果比BiLSTM在模型训练过程。因此,BiSLSTM适用于分析时间序列数据之间的关系。SLSTM单元结构图如图3。CNN-BiSLSTM网络结构如图4。股票历史交易信息是时间序列,属于时间序列数据。CNN-BiSLSTM, CNN是用来提取局部特征数据层的层。高级功能,并有很强的表达能力可以从数据中提取,有效地避免主观性和手工特征提取的局限性。BiSLSTM已经保留上下文历史信息的特点很长一段时间,可以实现时间维度和长距离依赖数据的特征提取。此外,BiSLSTM可以挖掘影响因素之间的长期时间序列关系的股票收盘价。因此,CNN的数据输出的地方放入BiSLSTM模型双向时间结构的计算公式(10)- (15),用作忘记门,乙状结肠函数σ是用来判断过去的记忆需要保留当前内存状态通过公式(12);用作输入门计算当前输入数据是否值得保留通过公式(10);用于计算的数据需要更新公式(11),是用来控制是否需要更新;和计算当前时刻的状态是否需要更新公式(13)。新状态后,公式(14)是用来计算输出门的价值 ;与BiLSTM相比,BiSLSTM添加1−双曲正切( )函数。更新后的存储单元可以计算当前隐藏状态通过以下公式:

BiSLSTM由两个SLSTM以来,一个是向前的,另一种是向后,上面的计算需要逆向计算。最后,通过完整的连接层,我们计算股票的收盘价格,做出更准确的预测。

4所示。实验

4.1。实验环境

来验证该模型的有效性,深圳成份指数作为实验的实验数据。所有实验上实现计算机配备英特尔酷睿i5 - 6300总部2.30 GHz 12.0 GB RAM, NVIDIA GeForce GTX 960和Windows 64位操作系统。在这个实验中,Python 3.7作为编程语言,PyCharm Anaconda3作为开发工具,并根据TensorFlow Keras用于构建网络模型结构。

4.2。实验数据

深圳成分指数作为股票的历史数据预测的实验。深圳成分指数成分股指数编制的深圳证券交易所。这是一个加权指数计算通过40代表所有上市股票的上市公司为研究对象,并以流通股的重量,它全面反映了股票价格的趋势在深圳证券交易所上市的a股和B股。在实验中使用的数据来自Wind-Economic数据库。软件保证数据源的数据的准确性。实验数据使用深圳成份指数的历史数据从7月1日,1991年,2020年10月30日。一些实验数据如表所示1。

4.3。实验过程

CNN-BiSLSTM是用来预测股票收盘价,和实验过程如下:(1)对实验数据进行预处理操作,删除无关的项目,时间数据序列化,标准化数据,划分训练集和测试集。(2)输入预处理时间序列数据到CNN-BiSLSTM模型进行训练。培训过程如图5。(3)输入测试样本数据训练有素的预测模型。(4)恢复通过标准化公式预测数据。(5)生成一个比较形象的真实值和预测值之间的股票收盘价格,和评估模型的预测效果的真实值和预测值。

4.4。实验数据预处理

首先,检查原始数据、缺失数据填充或取消促进模型的训练和测试。由于一些特殊的原因,一些断断续续的数据是空的。考虑到数据串行数据。数据不改变从一个交易日到下一个交易日。所以,数据的平均值的前一个交易日,下一个交易日将用于弥补。其次,中国股市规定市场整天封闭在星期六,星期天,重大节日。因此,所有数据在这些时间节点删除,只保留交易日数据。考虑到数据集的一些数据与股票价格预测,他们被排除在外。索引的数据开盘价,最高价格,最低价格,收盘价,体积,营业额,起起落落,改变选定的股票收盘价格的影响因素。

4.5。实验模型和参数

在这个实验中,延时,RNN、LSTM BiLSTM, CNN-LSTM, CNN-BiLSTM与CNN-BiSLSTM用来比较。CNN-BiSLSTM模型参数设置如表所示2。比较模型的参数是一样的CNN-BiSLSTM模型的一些参数。

在这个实验中使用的模型训练参数CNN-BiSLSTM是一模一样的比较模型。序列的长度是5,延迟是1。优化器使用亚当,不仅计算自适应学习速率参数基于一阶矩的均值作为RMSProp算法,但也充分利用意味着第二次梯度的时刻。学习速率是0.0001,损失函数使用美。美是绝对值之和的真实值和预测值之间的区别。它只测量平均模量预测值误差的长度,而不考虑方向,具有更好的鲁棒性异常值。Batch_size是64,时代是50。

4.6。模型训练和预测

选中的6878股票数据分为训练集和测试集,其中训练集是第一个6078年,测试集是最后一个800年。因为数据在不同维度的大小不是在同一水平上,z分数标准化方法用于转换不同数量级的数据在训练集和测试集到相同的水平。标准化操作如下公式所示: 在哪里是标准化的价值,是输入数据,是数据的平均值,是数据的标准差。

初始化参数设置后,CNN-BiSLSTM,和标准化的训练集数据z分数模型。提出计算的神经网络。模型结构如图6。计算完成后,美是用来计算的结果之间的误差计算和真正的价值,然后是亚当为反向传播算法来更新重量参数。CNN-BiSLSTM股票预测模型是通过反复训练6078个训练样本。

测试样本的数据放入CNN-BiSLSTM培训后的预测。由于数据在测试设置标准化数据,公式(17)需要恢复数据。美、RMSE和R²用于评估预测价值和修复后的真正价值:

4.7。分析的结果

预处理的股票数据放入CNN-BiSLSTM,延时,RNN, LSTM, BiLSTM CNN-LSTM, CNN-BiLSTM模型进行训练。培训完成后,划分测试集是用于预测。比较结果的预测价值和真正的价值在过去的200天所示数据7- - - - - -13。模型的评价指标对比表所示3。

从数据7- - - - - -13中长期规划中,RNN LSTM、BiLSTM CNN-LSTM, CNN-BiLSTM, CNN-BiSLSTM,我们可以得出结论,预测之间的错误和真实价值CNN-BiSLSTM有最好的小配件,模型和算法最大的错误和拟合程度最严重的一次。

的基本评价指标回归模型用于实验。回归模型的基本评价指标包括美、RMSE,R²。这三个指标是用来测量预测值和真实值之间的误差。

5。讨论

根据表中的数据3和数字7- - - - - -13,预测值和真实值之间的误差的CNN-BiSLSTM列出,并比较模型中长期规划从高到低排列,RNN, LSTM, BiLSTM, CNN-LSTM CNN-BiLSTM, CNN-BiSLSTM。的预测值和真实值之间的误差,我们可以得出结论,CNN-BiSLSTM有最好的拟合程度,和延时是最糟糕的。中的延时不适合处理时间序列数据。美,RMSE,R²中长期规划的性能都比其他模型。与RNN相比,LSTM可以更准确地预测股票的收盘价通过精确的门结构。预测效果显著提高了美,RMSE,R²。

比LSTM BiLSTM更为复杂的结构,和历史和未来的变化规律的数据可以被考虑。BiLSTM与LSTM相比,美是减少约5.89和RMSE约5.24。在R²,BiLSTM接近1,所以BiLSTM的预测效果更好。LSTM的预测数据和BiLSTM添加特征提取与CNN,和高级功能较强表达能力是学会CNN-LSTM和CNN-BiLSTM形式。LSTM和BiLSTM相比,预测的结果再一次被显著提高。与CNN-LSTM相比,美和RMSE CNN-BiLSTM减少约0.774和0.793,分别R²约为0.985,接近1。CNN-BiSLSTM添加1−双曲正切( )函数的输出门CNN-BiLSTM。与CNN-BiLSTM相比,美CNN-BiSLSTM减少约6.46,RMSE减少约4.23,R²约为0.986,接近1。更复杂的CNN-BiSLSTM的预测效果优于CNN-BiLSTM,它更适合股票价格预测。

6。结论

提出了一种基于CNN-BiSLSTM混合股票预测模型。模型由两部分组成。首先,CNN是用来捕获输入数据的特性,并将其组合在一起,形成高级数据功能。BiSLSTM添加1−双曲正切(x)函数输出门基于BiLSTM计算。第二,BiSLSTM用于考虑历史数据的变化规律与此同时,和股票数据在过去是用来预测股票的收盘价的下一个交易日。CNN-BiSLSTM是与中长期规划的参考模型相比,RNN, LSTM, BiLSTM CNN-LSTM, CNN-BiLSTM。实验结果表明,CNN-BiSLSTM股票预测模型有更好的预测效果比参考模型。

仍有一些细节上的问题需要改进,这需要进一步研究。未来的工作可以分为两部分:(1)投资者在股票市场不可或缺的一部分。在某种程度上,投资者也理解和控制股票市场。因此,通过投资者对个股评价和意见,我们可以分析大多数投资者持有的意见和情绪,进一步推断出股票的未来趋势,从而为投资策略提供指导。(2)股票的收盘价的预测本文的局限性。它只预测股票在下一个交易日的收盘价,这对投资参考价值有限。对于投资者来说,他们更喜欢来预测股票的价格和趋势在接下来的一段时间,所以他们需要进行更深入的研究股票的变化。

数据可用性

在这项研究中提出的数据都可以在请求从相应的作者由于限制隐私。

的利益冲突

作者宣称他们没有利益冲突或人际关系可能出现影响工作报告。

确认

这项工作是由高层次人才科研项目基础下的厦门海洋职业技术学院授予KYG202102,创新研究生的河北省CXZZSS2021104基金会下的河北省自然科学基金资助ZD2018236,河北科技大学和基础在2019 - zdb02格兰特。

引用

1. 张,问:他,h·张,k .欧阳,“多普勒校正使用短期音乐和角插值重采样为路旁的声学缺陷轴承诊断,”IEEE仪表和测量,卷66,不。4、671 - 680年,2017页。视图:出版商的网站|谷歌学术搜索
2. 孟s、h·方和d . Yu”分形特征,多泡沫,跳在中国股票市场异常,“复杂性卷,2020篇文章ID 7176598, 12页,2020。视图:出版商的网站|谷歌学术搜索
3. Naik n . b .汉,“盘中股票预测基于深层神经网络”,国家科学院科学信,43卷,不。2、2019。视图:出版商的网站|谷歌学术搜索
4. 崔x、w .商和f .江”股票指数预测与趋势识别、隐马尔可夫模型”学报2019年IEEE国际会议上大数据(大数据)2019年美国洛杉矶CA。视图:出版商的网站|谷歌学术搜索
5. k·亚当,a Marcet, j . Nicolini”股票市场波动和学习”,《金融,卷71,不。1,第438 - 419页,2016。视图:出版商的网站|谷歌学术搜索
6. p . Yu和x燕”,股票价格预测深层神经网络基础上,“神经计算与应用,32卷,不。6,1609 - 1628年,2020页。视图:出版商的网站|谷歌学术搜索
7. m·迪克森,d . Klabjan和j .爆炸基于分类使用深层神经网络金融市场预测、社会科学电子出版,罗切斯特,纽约,美国,2017年。
8. d·沙阿·w·坎贝尔,f . Zulkernine”LSTM和款的比较研究股票市场预测,”《IEEE国际会议上大数据美国IEEE,西雅图,佤邦,2018年。视图:出版商的网站|谷歌学术搜索
9. h·雷·h·Faaljou, g . Mansourfar”股票价格预测使用深度学习和频率分解,“专家系统与应用程序文章ID 114332卷,169年,2020年。视图:谷歌学术搜索
10. w·r·魏仁芳t Ho花王,y y。或者,K.-L。华”,使用深度学习神经网络预测股票市场和烛台图表表示,“2019年,https://arxiv.org/abs/1903.12258。视图:谷歌学术搜索
11. 张x, y, y姚明,b方,s . Wang和p . s . Yu”通过异构信息融合,提高股票市场预测”以知识为基础的系统卷,143年,第247 - 236页,2018年。视图:出版商的网站|谷歌学术搜索
12. d·纳尔逊·a·佩雷拉,r·奥利维拉,“股票市场的价格波动与LSTM神经网络预测,”《2017年国际神经网络(IJCNN)联合会议美国IEEE,安克雷奇,正义与发展党,2017。视图:出版商的网站|谷歌学术搜索
13. b . Nair: Dharini诉莫汉达斯·,“股票市场趋势预测系统使用一个混合决策tree-neuro-fuzzy系统,”学报2010年国际会议上最近的技术进步在通信和计算(ARTCom)IEEE,戈德,印度,2010。视图:出版商的网站|谷歌学术搜索
14. r . j . Wang侯,c . Wang和l .沈”改善v-support向量回归模型基于变量选择和头脑风暴优化股票价格预测,“应用软计算49卷,第178 - 164页,2016年。视图:出版商的网站|谷歌学术搜索
15. 大肠Hoseinzade和s . Haratizadeh“CNNpred: CNN-based股市预测使用一组不同的变量,“专家系统与应用程序卷,129年,第285 - 273页,2019年。视图:出版商的网站|谷歌学术搜索
16. m . Langkvist Karlsson l ., A . Loutfi”的无监督特征学习和深度学习时间序列建模,”模式识别的字母,42卷,不。1,11-24,2014页。视图:出版商的网站|谷歌学术搜索
17. b .黄问:叮,g .太阳和h·李,“基于Bayesian-LSTM股票预测,”国际会议的程序在机器学习和计算珠海,页128 - 133年,中国,2018。视图:出版商的网站|谷歌学术搜索
18. h . Gunduz y Yaslan, z . Cataltepe”盘中预测伊斯坦布尔证交所使用卷积神经网络和功能相关性,”以知识为基础的系统卷,137年,第148 - 138页,2017年。视图:出版商的网站|谷歌学术搜索
19. b·m·恩里克v . a . Sobreiro h .木村,“文献综述:机器学习技术应用到金融市场预测,“专家系统与应用程序卷,124年,第251 - 226页,2019年。视图:出版商的网站|谷歌学术搜索
20. m·温·李·l·张,y,“股票市场趋势预测使用高阶时间序列信息,“IEEE访问7卷,第28308 - 28299页,2019年。视图:出版商的网站|谷歌学术搜索
21. 杨z, y, y,“股票收盘价的预测基于情感分析和LSTM,”神经计算与应用,32卷,不。13日,9713 - 9729年,2020页。视图:出版商的网站|谷歌学术搜索
22. Mehtab和j·森”,股票价格预测使用CNN和LSTM-based深度学习模型,”2020年,https://arxiv.org/abs/2010.13891。视图:谷歌学术搜索
23. t·费舍尔和c·克劳斯”深度学习与长期短期记忆网络金融市场预测,“欧洲运筹学杂志》上,卷270,不。2、2017。视图:谷歌学术搜索
24. y门敏和h . y . Kim ModAugNet:一个新的预测股票市场指数框架的价值的过度拟合预防LSTM模块和预测LSTM模块”专家系统与应用程序卷,113年,第480 - 457页,2018年。视图:出版商的网站|谷歌学术搜索
25. a . Moghar和m . Hamiche股市预测递归神经网络LSTM。”Procedia计算机科学卷,170年,第1173 - 1168页,2020年。视图:出版商的网站|谷歌学术搜索
26. j . j . Wang, x,和j·王,“使用CT-LSTM空气质量预测,”神经计算与应用,33卷,不。3、1 - 14,2020页。视图:出版商的网站|谷歌学术搜索
27. 哈桑,f . Setti t . Tsesmelis公元输送量大,f . Galasso和m . Cristani”MXLSTM:混合tracklets vislets,共同预测轨迹和头部姿势,”学报2018年IEEE / CVF计算机视觉与模式识别会议,页6067 - 6076,盐湖城,UT,美国,2018年。视图:出版商的网站|谷歌学术搜索
28. k . Zhang g .钟j .盾王,和y . Wang“股市预测基于生成对抗网络”,Procedia计算机科学卷,147年,第406 - 400页,2019年。视图:出版商的网站|谷歌学术搜索
29. r·秋田犬a吉原俊井认为,t .松原,k . Uehara“深度学习股票预测使用数字和文本信息,”学报2016年IEEE /埃西斯15日计算机与信息科学国际会议(艾多酷)IEEE,页945 - 950年,日本冈山,日本,2016年。视图:出版商的网站|谷歌学术搜索
30. 美国美国Hyun, i . k ., j . a . Jae“深学习图像识别适用于股票市场预测,“复杂性卷,2019篇文章ID 4324878, 11页,2019年。视图:出版商的网站|谷歌学术搜索
31. 杨y, y, j·肖,”一个混合股票价格预测方法使用LSTM和合奏EMD,”复杂性卷,2020篇文章ID 6431712, 16页,2020年。视图:出版商的网站|谷歌学术搜索
32. w . Lu, j·李,李y, A .太阳和j·王,“CNN-LSTM-based模型来预测股票价格,”复杂性卷,2020篇文章ID 6622927, 10页,2020。视图:出版商的网站|谷歌学术搜索
33. y Lecun (l . Bottou y Bengio, p . Haffner“Gradient-based学习应用于文档识别,”IEEE学报》,卷86,不。11日,第2324 - 2278页,1998年。视图:出版商的网站|谷歌学术搜索
34. 旷d和b徐”,预计使用一维卷积神经网络动力学三胞胎,”Thermochimica学报卷。669年,地位,2018页。视图:出版商的网站|谷歌学术搜索
35. ,的Hochreiter和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
36. f . a .蒙古包,的j。施密德胡贝尔表示和f·康明斯,“与LSTM学习忘记:持续的预测,”神经计算,12卷,不。10日,2451 - 2471年,2000页。视图:出版商的网站|谷歌学术搜索
37. a .坟墓”与复发性神经网络监督序列标签”,研究计算智能,385卷,2012年。视图:出版商的网站|谷歌学术搜索
38. n . Masseran a . m . Razali k·易卜拉欣·m·t·拉蒂夫,“拟合·冯·米塞斯的混合分布模型数据在马来西亚半岛的风向,”能量转换和管理卷,72年,第102 - 94页,2013年。视图:出版商的网站|谷歌学术搜索
39. g . g . Wang Yu,沈x”在线投资者情绪对股票走势的影响:一个LSTM方法,”复杂性卷,2020篇文章ID 4754025, 11页,2020年。视图:出版商的网站|谷歌学术搜索
40. f·贾和b .杨”,预测波动的股票指数:深度学习与基于可能性损失函数模型,”复杂性ID 5511802条,卷。2021年,13页,2021。视图:出版商的网站|谷歌学术搜索

版权

版权©2021王Haiyao et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。