【点宽专栏】基于深度学习的股票涨跌预测

01背景

股票价格的预测是学界和业界一直以来尝试去研究解决的问题，由于股票的价格受到的影响因素众多，涵盖了上市公司基本面，产品价格的波动，国内的宏观经济数据，国际市场的各种金融资产和价格的波动等等，并且各个变量与股票价格的走势并非线性，因此传统的计量经济学模型并不能很好地解决股票价格的预测问题。

近些年来随着人工智能与机器学习的出现，为股票价格的预测提供了一种新的思路，本文基于深度学习的思想，尝试对上市公司的价格做出预测。

02深度学习理论与模型

深度学习是机器学习的一个新的方向，其理论基础是神经网络。一个神经网络包含输入层、隐含层和输出层。将数据导入输入层，经过一系列数据传导、计算及误差修正，可以得到样本数据的内在规律和表示层次。理论上，一个足够复杂的神经网络可以逼近任何函数。

2.1 感知机

一个感知机是具有单层计算单元的神经网络，由线性元件及阈值元件组成。在单层感知机的输入层和输出层之间加入隐藏层，就构成了多层感知机，每层的计算都由一个线性函数加一个非线性激活函数构成。当一个神经网络包含一个深层的隐藏层“时，它称为深度神经网络（DNN)

2.2 RNN/LSTM

循环神经网络通过使用带自反馈（隐藏层）的神经元，能够处理任意长度的序列。循环神经网络比前馈神经网络更加符合生物神经网络的结构。RNN非常适合用于处理时间序列，且在语音识别、图像处理、语言模型以及自然语言生成等任务上也应用非常广泛。

长短时记忆神经网络（Long Short-Term Memory Neural Network，LSTM）是循环神经网络的一个变体，可以有效地解决长期依赖问题/梯度消失问题。

本文使用LSTM建立基于深