论文总字数：22911字

摘 要

为了科学有效的对股票市场的走势发展进行预测，本文采用LSTM神经网络对我国股票市场的两个单盘指数进行预测以研究LSTM神经网络在预测金融序列方面的有效性。LSTM神经网络来源于RNN模型（循环神经网络），它继承了RNN模型处理时间序列的特性，又避免了RNN模型在运行过程中因为连续相乘而导致的梯度消失或爆炸。本文利用python神经框架keras搭建了LSTM网络，对我国股票指数进行研究和预测。进行结果比较发现长短期记忆网络（LSTM）的预测精度高于BP神经网络、AR-MA模型、卷积神经网络（CNN）等模型。因此，LSTM模型对于在股票价格走势预测方面具有积极的作用，在股票预测方面LSTM模型具有极大的潜在价值和广阔前景。

关键词：LSTM模型 RNN模型 股票指数预测 上证指数 沪深300指数

Research on stock index change prediction based on LSTM model

Abstract

In order to predict the development of the stock market in a scientific and effective manner, this paper uses the LSTM neural network to predict the two single-disk indices of the Chinese stock market to study the effectiveness of the LSTM neural network in predicting financial sequences. The LSTM neural network is derived from the RNN model (recurrent neural network), which inherits the characteristics of the RNN model processing time series, and avoids the gradient disappearance or explosion caused by continuous multiplication during the operation of the RNN model. This article uses the python neural framework keras to build an LSTM network to study and predict my country's stock index. A comparison of the results revealed that the prediction accuracy of the long-term and short-term memory model (LSTM) was higher than that of BP neural network, ARMA model, convolutional neural network (CNN) and other models. Therefore, the LSTM model has a positive effect on stock price trend prediction, and the LSTM model has great potential value and broad prospects in stock prediction.

Key words:LSTM model;RNN model;Stock index prediction;The Shanghai Composite Index;CSI 300 Index

目 录

摘要 I

ABSTRACT II

第一章 引言 1

1.1研究目的与意义 1

1.2相关研究背景 1

第二章 基础知识与理论研究 3

2.1 RNN模型 3

2.2 LSTM神经网络 4

第三章 实证分析 6

3.1数据来源 6

3.2模型性能评价指标 6

3.3 实验内容与结果分析 7

3.4 不同预测步长下LSTM模型效果 11

3.5 不同模型预测效果比较 18

第四章 结论与启示 20

参考文献 21

致谢 22

引言

1.1研究目的与意义

最近几年，我国股市处于持续震荡阶段。上证指数持续在3000点左右震荡，

深证成指的震荡则更为严重，偶尔还会出现大幅度的下跌。2018年5月6日，上证指数收盘价跌破3000点大关，从3,078.34一直降至2,906.46点，上证指数跌破3000点意味着广大股民、股票公司、基金公司都产生了极大亏损。然而股民们所预想的反弹却没有再次到来，之后的交易日里，股市走势持续恶化。截至2019年8月7日，上证指数的收盘价为2,768.68点。股票指数的变化反映了经济的盛衰，企业的盈利，投资者的盈亏。因此，运用大数据和人工智能对股票指数进行预测和研究成为了许多学者的课题^［1］。

1.2相关研究背景

戚国全，王浩结合贝叶斯网络，把影响股市的信息进行一定程度的分解之后进行整合融入到IT-KFM（Kuramoto股市趋势预测模型）中，从不同快慢级的股票中发现不同股票的相同特点，结论发现该模型对股市指数预测具有一定的作用，但该模型受经济政策影响较大，没有足够高的准确率^[2]。丁美琳，高语越，陈学斌在ANN基础上提出一种基于小波分析下的多层神经网络，用小波分析技术进行多分辨率分析，再用Elman和BP神经网络预测股票。并与长时间聚类方法和人工智能神经网络（ANN）进行比较。验证出了该模型具有一定的实用性^[3]。刘国旗运用非线性GARCH模型（运用ARMA模型描述误差的方差进行建模）对我国股市波动进行预测研究，结合国内外学者的研究成果，详细解释了该模型的具体建模过程并利用该模型对我国股票市场进行预测研究，得出了在股市预测方面QGARCH模型（二次GARCH模型）明显优于GARCH模型和CJR模型的结论^[4]。沈金榕,周杨景对决策树方法进行了详细介绍并阐述了基于决策树的逐步回归法，得出了决策树具有精度高和寻找最佳变量的优点以及不能得到最优回归方程的局限性^[5]。万建强，文洲使用分别使用ARIMA模型（求和自回归移动平均模型）和ARCH模型（条件异方差自回归模型）对香港股指进行了预测并将实验结果进行了比较，但因为股票价格具有很大不确定性，两种模型在不同情况下的拟合度差别很大^[6]。移动平均自回归模型( ARIMA模型) 、广义自回归条件异方差模型(GARCH模型) 、 指数平滑模型等都属于线性预测模型，因为股票等金融产品的时间序列具有很大的不确定性和高噪声特性，平稳序列也大幅限制了模型的应用和拓展，单纯的平稳序列难以对股票指数做出准确预测，所以非线性模型开始更加受到学者和业内人士的关注，其中比较经典的方法有：ANN（Artificial Neural Network，人工神经网络）、MLP( Multi-Layer Perceptron，经典多层感知器 ) 模型被广泛应用于金融预测^[7]。田翔，邓飞其使用支持向量机模型，利用结构风险最小准则，在模型中加入在线批量学习方法，利用AOSVR方法提高了模型在不同环境下的适应程度，与传统支持向量机模型相比具有更高的有效性^[8]。Dhar S,Mukherjee T,Ghoshal A K^将经典多层感知器（Multi-Layer Perceptron,MLP）模型运用于本国股市^[9]，孙彬，李铁克使用在￡一SVR基础上进行改进的v-支持向量回归机（v-SVR）模型预测股票指数，发现该模型在预测准确性和稳定性上优于BP神经网络，但是需要避免函数中需要事先确定不敏感损失函数中系数的人为选择随机^[10]。

1.3 研究内容

请支付后下载全文，论文总字数：22911字