文献类型：期刊文章

作　　者：宋刚[1,2] 张云峰[1,2] 包芳勋[3] 秦超[1,2]

SONG Gang;ZHANG Yunfeng;BAO Fangxun;QIN Chao(School of Computer Science and Technology,Shandong University of Finance and Economics,Jinan 250014,China;Shandong Key Laboratory of Digital Media Technology,Shandong University of Finance and Economics,Jinan 250014,China;School of Mathematics,Shandong University,Jinan 250100,China)

机构地区：[1]山东财经大学计算机科学与技术学院,济南250014 [2]山东财经大学山东省数字媒体技术重点实验室,济南250014 [3]山东大学数学学院,济南250100

出　　处：《北京航空航天大学学报》

基　　金：国家自然科学基金(61672018,61772309);国家自然科学基金-浙江两化融合联合基金(U1609218);山东省重点研发计划(2016GSF120013,2017GGX10109,2018GGX101013);山东省高等学校优势学科人才队伍培育计划;山东省自然科学杰出青年(ZR2018JL022);山东省自然科学基金(ZR2019MF051)~~

年　　份：2019

卷　　号：45

期　　号：12

起止页码：2533-2542

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化(PSO)的长短期记忆(LSTM)股票价格预测模型(PSO-LSTM),该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。

关 键 词：粒子群优化(PSO)  LSTM神经网络  自适应 股票价格预测 预测精度  

分 类 号：TP183]