股票预测模型基于5 g FS-LSTM物联网

文摘

本文分析了数据挖掘的发展,第五代的发展(5克)物联网(物联网),并使用一个深度学习股票预测的方法。为了解决问题,如低精度和训练的复杂性引起的复杂的数据库存模型预测,我们提出了一个基于特征选择的预测方法(FS)和长期短期记忆(LSTM)算法来预测股票的收盘价。考虑其未来的应用前景,本文以4从深证成指股票数据为例,构造的特性集预测基于17个技术指标常用的股票市场。最优特性集决定通过FS来降低数据的维数和训练的复杂性。LSTM算法被用来预测股票的收盘价。实证结果表明,与LSTM模型相比,FS-LSTM组合模型提高了预测的准确性,减少了误差之间的实际价值和股票价格预测的预测价值。

1。介绍

信息技术的广泛应用引发了数据流的增加以及智能终端的数量。因此,第五代(5 g)移动服务。根据全球电信运营商,5 g通信技术将正式商业化约2020 (1]。由于快速的传输网络,5 g网络的出现的创新和发展将促进物联网技术(物联网)。5 g网络被认为是一个核心因素在未来物联网服务满足日益增长的需求,包括高数据率、多种设备附件和低延迟服务2]。5 g移动通信网络技术能够为用户提供充足的网络通信,它可以大大提高网络通信的速度和质量,修改网络数据传输更加可靠。

以其伟大的适应性,物联网技术可以应用于不同的场景,如建筑业领域(3),智能城市环境(4),智能社区(5),和其他领域的社会,为人们带来很大方便。物联网技术的实用程序需要大量信息和高速网络通信连接。5 g网络的出现能促进物联网技术的创新和发展。5 g数据传递速率快的优点,鲁棒性强,传播范围广,良好的安全6]。因此,5 g无线系统的应用能有效提高通信质量的物联网,物联网技术更强大。5 g是物联网的基本访问技术利用率(7]。更重要的是,使用5 g通信网络基础设施还可以降低物联网建设的成本和投资,因此提高物联网建设的效率。5 g的集成移动通信网络和物联网使物联网能够充分利用5 g移动通信网络的优点,提高自己的优势。

随着物联网的开发,大数据技术的优势逐渐突出。大数据包括许多关键技术,包括收集、存储、管理、分析和挖掘。大数据通常与预测分析的使用,patral行为研究,或其他复杂的数据分析工具,它可以从大量的数据中提取有价值的信息。5 g网络以低成本处理大数据。此外,5 g的特征包括低延迟、高可靠性,升级简单数据,区域传播,和改进的移动宽带8]。大数据的时代已经引起了广泛的兴趣在不同研究领域深入学习。AI的深度集成,云计算、大数据和深度学习的5 g的重要发展方向。

我们在本文的贡献可以突出显示如下:(1)5 g的发展趋势、物联网和数据挖掘和深入学习的影响物联网数据挖掘技术进行了分析(2)股票趋势预测方法基于特征选择(FS)和长期短期记忆(LSTM)预测模型FS-LSTM预测股票价格提出。首先,我们使用Tushare财务数据包来获取股票数据。然后,选择最优的特性集,降低数据的维数。之后,股票价格预测,预测结果进行了分析(3)5 g和物联网的应用在股票预测分析在数据存储方面,效率,和处理速度

本文分为六部分。部分2描述了一些基本的相关算法提出了相关观点。节3,我们详细说明了该预测算法的设计和实现。5 g和物联网的应用在股票预测分析部分4。部分5我们的提议FS-LSTM讨论了实验结果。部分6是整个论文的总结。

2。相关工作

2.1。5 g的一体化发展、物联网和深入学习

5 g旨在提供超级超低延迟技术方案以及改性访问数据传输速度、连接超过1000亿设施和提供一致的体验在多路复用场景与提高能力和消费效率(9]。5 g移动通信技术改善客户体验和系统安全的通信技术,它已广泛应用于各行各业的(10]。5 g物联网设计传达5 g和物联网的信息,同时减少整个物联网功耗,同时保持5 g和物联网传输速率稳定(11]。5 g emotion-aware医疗大数据设计有关。该方法将极大地促进5 g个性化建设和相应emotion-aware医疗服务(12]。与5 g技术和物联网的发展和推广,新的数据挖掘算法是提高(13]。大数据、物联网和5克是密切相关的,对于大数据源于物联网技术的应用。

5克将被证明是物联网的中流砥柱,提供完整的所有链接”,“超越时空限制,并带来全面、service-customized和以用户为中心的互联14]。5克的关系,物联网,深度学习如图1。如图1,整个系统的物联网构成三层,即感知层、传输层和应用层。5 g网络层传输的通信提供了技术支持。在大数据时代,并不是所有的大量数据是有价值的。更重要的是通过深入学习算法挖掘有用的数据。其中,大型数据分析方法开发了基于深度学习更快。

5 g通信技术的发展和物联网使神经网络的应用和深入学习。物联网是广泛应用于各个领域,如智能物流、智能医疗、无人驾驶开车,工业自动化,全球定位系统(GPS)数据聚合(15]。基于5 g通信协议和数据交换标准,与物联网的融合和人工智能(AI),智能网络进行更好的沟通能力。建立一个高效的入侵检测系统在大数据,文献[16)提出了一个基于数据聚类和数据分类算法。物联网作为一个扩展的互联网应用,是在一个大的发展阶段。减少资源消耗,实现规划合理,IoT-based智能化能源消耗控制和能量管理方法提出了通过调查一所房子的能源使用17]。文献[18)设计了一个令人耳目一新的模式,5 g智能物联网(5 g I-IoT),处理大数据,促进有效的沟通渠道。物联网是一个催化剂大数据的一代,因为大数据来源于物联网的应用。物联网的使用生下大量的数据包含重要的信息。物联网的快速发展,大数据是由于5 g通信。

2.2。对股票预测的研究

资本市场建设的一个重要组成部分,股票市场的变化是具有非凡意义的国家宏观经济的发展,金融机构和个人。股票价格的高不稳定和不确定性使它成为一个困难的问题在金融领域和数据挖掘。因此,预测股票价格,以避免最大程度的投资风险,提高投资收益成为最新的研究焦点。

传统的预测方法有局限性平衡控制价格变化的随机性和规律性(19]。近年来,人工神经网络(ANN)在这个领域取得了非凡的成果的人工智能算法预测分析能力大大提升大数据等技术的应用。所以基于ANN的股票预测方法和相关技术已经被广泛研究,弥补缺点的传统的预测技术和增加股票预测的可靠性和准确性20.]。文献[21)实现一个LSTM模型时间序列趋势预测问题,结果比传统的自回归模型。此外,一些投资组合模型应用于股票趋势预测。他们都取得了良好的结果。文献[22结合价格预测基于历史和实时数据以及新闻分析,LSTM用于预测;这种方法纳入现有的战略将鼓励定量交易员投资和利润最大化。在文献[23),提出了一种深度学习股票价格预测方法。在这个文学,总共14个不同的深度学习模型提出了和所有股票的标准普尔(S&P) BSE-BANKEX指数进行评估。

3所示。股票预测算法

3.1。特征选择

机器学习是一个过程的数据处理和模型训练。数据处理包括特征提取和特征表示。在模型训练,有一组流程等培训策略,训练模型,算法相关性。良好的预测模型是密切相关的特征选择和特征表示。特征选择的方法是选择一个子集从原始特征数据集来减少数据集的属性特性。特征选择的目的是为了提高预测的准确性,设计一个有效的预测模型,模型有更好的理解和解释。

进行使用的最优特征子集选取相关系数和功能的重要性排名。相关系数是一个数量,研究变量之间的线性相关程度。通常是表达的信 ,所示 在哪里 的协方差和 , 的方差 ,和的方差 。 是一个数量,可以描述之间线性关系的程度和 。如果和不相关, 。人们普遍认为之间不存在线性关系和 。如果 ,人们普遍认为之间存在线性关系和 。的值越接近 是1,这两个变量是线性的。每一对高度相关的特性,其中一个是识别和移除。

3.2。LSTM网络

LSTM是一种特殊类型的递归神经网络(RNN)。它解决问题的梯度爆炸和梯度消失的过程中连续RNN培训。网络层的数量增加时,下面的节点到前面节点感知能力变得软弱,以前的信息将被遗忘的现象出现。LSTM添加内存单元每个神经元隐层单元的基础上,普通RNN的记忆时间序列可以控制的信息。内存单元的原理图LSTM图所示2。和表示状态的内存单元在最后一刻;和分别代表隐藏层的状态。

每次输入门 ,忘记门 ,和输出门单位之间传递,记忆和遗忘以前的信息和当前信息可以控制。

忘记门的计算公式 ,输入门 ,和输出门定义在

其中,是乙状结肠激活函数,是输入的时间吗 , 权重矩阵从输入吗忘记门口 , 从隐层权重矩阵状态忘记门,然后呢的线性偏差忘记门。权重矩阵从输入吗输入门,是隐藏状态的权重矩阵输入门,然后呢是输入的线性偏门。权重矩阵从输入到输出,是隐藏状态的权重矩阵输出门,然后呢是输出的线性偏门。

国家的价值时间记忆单元由两部分组成:一个是内存单元的状态值在前面的时间,另一个是输入门口等待更新信息 ,控制输入通道和忘记门,分别。当前状态的内存单元可以通过以下公式计算:

其中,从输入权重矩阵内存单元,隐层的权重矩阵到内存单元,然后呢内存单元的线性偏差。

最后,隐层节点的当前状态是由国家输出的门和当前的存储单元 。计算公式所示

4所示。5 g和物联网在股票预测中的应用

物联网技术已经渗透到人们的生产和生活。物联网技术,不同类型的数据交换,通过传感器节点通信。在物联网技术的不断发展,IoT-based股票预测将成为一种新趋势。它证明它是可行的,我从股票历史数据对股票预测的有用信息。5 g和物联网将促进股票预测行业的快速发展。5 g和物联网的应用在股票预测主要反映在以下几个方面:(1)为了进行数据挖掘,数据必须存储。与之前的数据存储方法,物联网数据分散存储在不同网络节点形成虚拟存储。分布式存储可以在不同地区之间交换和共享数据和网络(2)随着物联网的发展,传统的方法将取代很难满足要求的数据管理和处理。5克沟通与物联网的集成可以构建一个安全、快速、可靠的传输通道,因此改善股票预测的时间和效率(3)物联网和5克将不断促进股票预测的自动化系统。推动相关内容到用户的移动应用程序或其他沟通平台,用户可以获得最新的和最贴切地以最快的速度第一手资料

5。实证分析

5.1。数据预处理

深证成指市场,本文选择平安银行的交易数据,深圳成份指数、石油化工机械、和Jidian股从12月2日,2016年5月31日,2019年,作为实验对象。摘要原始数据都来源于Tushare财务数据包,其中包含608个交易日的交易信息。选择第一个90%数据作为训练集,最后10%数据作为测试集。

由于直觉的特点、具体性和简单的应用程序来判断股市的趋势时,技术指标广泛应用于股票市场的预测和分析。不同的技术指标有自己的适用范围和限制。股票趋势特性表征的过程中,一个单一的技术指标的全面性和准确性不能保证特性表示。因此,选择几个具有代表性和easy-to-quantify技术指标可以提高数据的互补性和特征表示的准确性。本文构造一个特性集预测基于17技术指标(ADX妈,CCI, RSI,中华民国,AROONOSC,妈妈,ATR, OSC,发射,防喷器,ULTOSC,小额信贷机构,ATR, K %,β和CR)常用于股票市场。这些指标全面反映股票趋势变化的信息和可以包括大部分股票趋势预测的影响因素。马是最终的最优特征子集,肢体重复性劳损症,CCI, K %, CR,可以总结原始数据的大部分信息。马的表达,肢体重复性劳损症,CCI, K %, CR所示 在哪里表示的一天,表示的总和一天收盘价。是第一天的增加与前一天相比。是第一天的衰落与前一天相比。平均最高、最低和收盘价。和显示的最高和最低价格天,分别。

选中的数据是用于构造特性集,每个指数的计算方法是不同的,根据技术指标提出了构造的特性集不同范围的值,范围的千差万别。数量巨大的差异将导致算法的参数优化模型的复杂性,使其容易overfit,这将产生负面影响最终的预测结果。因此,本文使用公式(7)规范化功能组件数量和每个维度转换功能 。

的公式,的最小值 - - - - - -维特征值和的最大价值 - - - - - -维的特征值。

5.2。股票价格预测

为了测试该方法的有效性,最优特征子集作为输入变量,输入时间是30天,一天的开盘价是作为输出变量。模型由四层:一层LSTM密度和三层。培训LSTM模型时,辍学参数和正则项添加到避免过度拟合。股票价格预测的测试集的训练模式,和传统LSTM预测模型进行了比较。平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)作为评价指标来评估模型的有效性。三个评价指标计算公式所示

其中,和分别代表了真实价值和预测价值。

这四个股票的预测结果如图3- - - - - -6,误差分析表所示1和2。从数据3- - - - - -6可以看出,模型可以准确预测四个股票价格的总体趋势与不同市值鳞片。FS-LSTM模型的预测值更接近于真实值,指示一个更好的整体拟合效果。从表可以看出1和2FS-LSTM模型的预测误差较小的价格相比传统LSTM模型。相对,深证成指的预测效果是最好的,是由于小的股票价格波动。使用这个模型中,股票的总体趋势与不同的市场价值也可以准确地预测,证明该模型不仅可以预测股票价格也可靠地预测不同尺度的股票价格,证明其泛化和可靠性。FS-LSTM模型在股票预测中的应用能够充分分析股票的原始数据,提高股票价格的预测的准确性。实验结果表明,该组合模型具有明显的优势在处理数据与许多索引和复杂的噪音。

6。结论

首先,本文分析了5 g在物联网发展的影响。5 g的集成、物联网和深度学习是一种新的发展趋势。5 g和物联网在股票预测有很多优势。然后,本文提出了一种基于特征选择和LSTM FS-LSTM组合模型预测股票趋势预测。最优特征子集的股票趋势预测是通过特征选择。最优特征子集的预测效果测试集验证。实验结果表明,本文提出的预测模型优于传统的LSTM预测模型的预测效果。使用这种方法,可以找到预测的最佳特征子集和冗余信息对股市的影响趋势预测可以减少。因此,提高预测的准确性。最后,5 g和物联网在股票预测中的应用进行了分析。

股票市场是一个复杂的动态系统。这个工作的缺点是,本文只是基于技术指标,不考虑其他因素。未来的工作包括包括新开发的计算模型。未来的工作还包括FS-LSTM减少计算时间。得出5克、物联网和股票预测在未来将更加紧密的联系。

数据可用性

研究数据用于支持这项研究的结果已经存入Tushare库(http://tushare.org/)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的基地和河南省尖端技术研究项目(152300410103)。

引用

1. y Zikria,金正日,m·阿夫扎尔h . Wang和m . Rehmani”5 g移动服务和场景:挑战和解决方案,“可持续性,10卷,不。10日,3626 - 3629年,2018页。视图:出版商的网站|谷歌学术搜索
2. 林j .倪x, x沈,“高效、安全认证支持面向服务网络切片5 g物联网,”IEEE在选定地区通讯》杂志上,36卷,不。3、644 - 657年,2018页。视图:出版商的网站|谷歌学术搜索
3. v . k .雷亚和k . Varghese 5 g技术对物联网的应用程序的影响在建设项目管理中,”第36届国际研讨会自动化和机器人技术在建筑(ISARC 2019),第217 - 209页,2019年。视图:谷歌学术搜索
4. d Minoli和b . Occhiogrosso”为一体的实用角度5 g网络和物联网应用在智能城市环境中,“无线通信和移动计算卷。2019年,30页,2019年。视图:出版商的网站|谷歌学术搜索
5. c .蔡和m .卫生部“负载平衡在5克云无线电接入网络支持物联网通信智能社区,”2017年IEEE信号处理和信息技术国际研讨会(ISSPIT)毕尔巴鄂,页259 - 264年,西班牙,2017年。视图:出版商的网站|谷歌学术搜索
6. g .严”关键技术的仿真分析优化5 g移动通信网络基于物联网技术,”国际期刊的分布式传感器网络,15卷,不。6、1 - 11,2019页。视图:谷歌学术搜索
7. 美国博卡和h·潘德5 g下一代网络应用物联网,”2016年国际物联网大会和应用程序(卡拉胶)普纳,页443 - 447年,印度,2016。视图:出版商的网站|谷歌学术搜索
8. 拉希德和s a·拉扎克“大数据挑战5 g网络”2019年十一国际会议上无处不在的和未来的网络(ICUFN)萨格勒布,页152 - 157年,克罗地亚,克罗地亚。视图:出版商的网站|谷歌学术搜索
9. 答:尤尼斯,n . Abuzgaia r . Mesleh, h·哈斯“正交空间调制5 g户外毫米波通信:能力分析,“IEEE无线通信,16卷,不。5,2882 - 2890年,2017页。视图:出版商的网站|谷歌学术搜索
10. m .秋曹德明h·苏,k .盖“金融衍生品定价数据传输最小化使用蒙特卡罗模拟和GPU在5克,”国际通信系统杂志》上卷,29号16,2364 - 2374年,2015页。视图:谷歌学术搜索
11. x刘和张x”,速度和能源效率改进5 g物联网建设与同步传输,”IEEE物联网》第六卷,没有。4、5971 - 5980年,2019页。视图:出版商的网站|谷歌学术搜索
12. m . s .侯赛因·g·默罕默德,“Emotion-aware连接医疗大数据对5克,”IEEE物联网,5卷,不。4、2399 - 2406年,2018页。视图:出版商的网站|谷歌学术搜索
13. w z . Wang Liang y . Zhang et al .,“数据挖掘在物联网时代:一个方法基于频繁项挖掘算法,改善”2019年第五届国际会议上大数据和信息分析(BigDIA)昆明,页120 - 125年,中国,中国,2019。视图:出版商的网站|谷歌学术搜索
14. m·r·Palattella m . Dohler a .格雷科et al .,“物联网在5 g时代:推动者,建筑,和商业模式,”IEEE选定地区通讯》杂志上,34卷,不。3、510 - 527年,2016页。视图:出版商的网站|谷歌学术搜索
15. a . a .汗·m·h·Rehmani, a . Rachedi”Cognitive-radio-based物联网:应用程序、体系结构、频谱相关功能,和未来的研究方向,”IEEE无线通信,24卷,不。3,17-25,2017页。视图:出版商的网站|谷歌学术搜索
16. 问:小王,x欧阳,j·詹,“基于数据聚类和数据分类算法减少入侵检测系统在大数据,”KSII交易网络和信息系统,13卷,不。7日,2019年。视图:谷歌学术搜索
17. m . Taştan“基于物联网的智能家居智能能源管理,“KSII交易网络和信息系统,13卷,不。6,2781 - 2798年,2019页。视图:谷歌学术搜索
18. b . d . d . Wang Chen歌,n . Guizani x, x du,“从物联网到5 g I-IoT:下一代IoT-based智能算法和5 g技术,”IEEE通讯杂志卷,56号10日,114 - 120年,2018页。视图:出版商的网站|谷歌学术搜索
19. w . Lertyingyod和n Benjamas”,使用人工神经网络技术预测股票价格趋势:案例研究:泰国证券交易所”2016年计算机科学与工程国际会议(ICSEC),2016年,页1 - 6。视图:谷歌学术搜索
20. Srinivasan n和c·拉克希米”使用间歇股票预测和分析与人工神经网络训练数据,”2017年国际会议上创新信息、嵌入式和通信系统(ICIIECS)哥印拜陀,页1 - 4,印度,2017。视图:出版商的网站|谷歌学术搜索
21. y, z苏、h·李和张y,“基于LSTM分类方法对时间序列趋势预测,”2019年第14届IEEE会议工业电子设备和应用程序(ICIEA),第406 - 402页,2019年。视图:谷歌学术搜索
22. s . Sarode h . g . Tolani p .谷湖l . CS,“股票价格预测使用机学习技术,”智能可持续系统国际会议(2019年艾多酷),第181 - 177页,2019年。视图:谷歌学术搜索
23. a·j·巴拉,d . s . h . Ram,比比Nair“深度学习对股票价格预测模型的适用性的银行家数据,实证研究”Procedia计算机科学卷,143年,第953 - 947页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020回族李等。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。