对于所使用的cnn-lstm设计和想法（1）

股票价格的变化趋势一直被认为是经济领域中一个非常重要的问题。

股票价格受到各种内部和外部因素的影响，国内外经济环境、国际形势、行业前景、金融环境

上市公司数据与股市运行等因素。我们预测方法也有不同的侧重点。

传统的分析方法是基于经济学金融学，主要运用基本面分析方法和技术分析方法。一方面，

基本面分析法更注重于对影响股票内在价值的外部因素，如利率等进行定性分析，汇率、通货膨胀、产业政策、上市公司财务、国际关系和其他经济和社会关系政治因素。另一方面，技术分析方法主要关注股价走势，成交量和投资者的心理预期，主要运用K线图等工具分析个股或整个市场的股指走势。目前，传统的基础分析和技术分析仍然是最重要的许多组织和机构常用的方法。

传统基础分析的准确性。

这种方法很难令人信服。原因不仅仅是其影响因素是在一个长期的周期内，而且预测结果更多地取决于分析师的专业素质。作为一个金融时间序列，股票数据具有随机游走的特征。基于统计学和概率论，有些学者用时间短期预测的系列线性预测模型股票价格与大量的长期数据，如向量自回归（VAR），贝叶斯向量自回归（BVAR）模型，自回归综合模型移动平均模式（ARIMA），和广义自回归条件异方差模型（GARCH）。然而，使用时间序列的准确性，复杂性

金融时间序列的噪声特征及自变量与因变量的关系变量容易随时间发生动态变化，这

限制了它的进一步应用和扩展。用时间序列预测股价走势有一定的局限性，单变量线性时间序列预测模型的简单应用或神经网络模型。目前，结合各种方法的优点，采用各种最佳算法对混合方法进行改进是发展的方向金融时间序列深度学习趋势。

因此，为了充分利用时间序列的特性，数据序列，深入挖掘数据特征，提高数据质量

为了提高股票价格预测的准确性，提出了一种新的预测方法，基于CNN-LSTM的股票价格预测方法，股票次日收盘价预测。结合

卷积神经网络（CNN）的优点是

该方法能从数据中提取有效的特征，长短时记忆（LSTM）不仅能发现时间序列数据中数据的相互依赖性，而且能自动检测出适合相关数据的最佳模式

该方法能有效提高股票价格的准确性

CNN-LSTM模型使用CNN来提取，分析了输入时间数据的特征，并利用LSTM对输入时间进行了预测股票次日收盘价。

为了验证模型的有效性，本文采用了1991年7月1日至8月7日7127个交易日的日交易数据

其中前6627个交易日数据为训练集和最近500个交易日的数据是测试集