标签：模型 因子 感知机 神经网络 专栏 涨跌 深度 LSTM 数据

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建立基于深度学习的股票价格涨跌预测模型

03数据获取、处理与建模

3.1 数据获取

本文获取点宽BP因子数据库中与沪深300成分股相关的基本面因子及技术面因子，总共149个因子，时间区间为2018年1月1日-2019年1月1日。

3.2 数据处理及建模

由于沪深300成分股的基本面因子及技术面因子数据之间的差异较大，因此需要对因子数据做归一化处理，并将缺失值超过90%的做删除处理，然后剩下的缺失数据用0填充。
然后将数据分成训练集和测试集，按照9:1的比例进行划分，以所有股票第二天的涨跌作为输出，若第二天为涨则为1，否则为0；以其他基本面因子及技术面因子数据作为输入，
使用经过处理后的数据构建LSTM模型，这里的神经网络包含四层：输入层、两层LSTM层和一个输出层，模型概览如下：

开始训练神经网络：

可以看到随着训练次数的增加，模型的损失率逐步下降，准确率逐步上升并最终达到92%以上。

3.3 模型预测及改善方向

需要指出的是，虽然该LSTM模型在样本内预测效果很好，但是当我们使用该网络对测试集的数据进行测试的时候，发现准确率仅有53%，说明该模型的实际应用效果较为一般，我们可以从以下两个方面进行完善：

1. 数据：更换其他数据集，获取更充足的数据
2. 对神经网络的结构进行调整，使用其他类型的神经网络，调整神经网络的参数

标签：模型,因子,感知机,神经网络,专栏,涨跌,深度,LSTM,数据
来源： https://blog.51cto.com/u_14793075/2780992

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。