【点宽专栏】基于深度学习的股票涨跌预测

最新推荐文章于 2025-08-12 13:48:04 发布

原创

最新推荐文章于 2025-08-12 13:48:04 发布 · 1.5k 阅读

CC 4.0 BY-SA版权

文章标签：

本文探讨了利用深度学习，特别是LSTM，预测股票价格涨跌的方法。通过处理沪深300成分股的149个基本面和技术面因子，建立LSTM模型并在训练集上获得92%的准确率，但在测试集上准确率为53%。提出了更换数据集和调整神经网络结构来提升模型性能。

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。

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。

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)
在这里插入图片描述

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