文献类型：期刊文章

作　　者：史建楠[1] 邹俊忠[1] 张见[1] 汪春梅[2] 卫作臣[1]

Shi Jiannan;Zou Junzhong;Zhang Jian;Wang Chunmei;Wei Zuochen(College of Information Science&Engineering,East China University of Science&Technology,Shanghai 200237,China;College of Information Mechanical&Electrical Engineering,Shanghai Normal University,Shanghai 200234,China)

机构地区：[1]华东理工大学信息科学与工程学院,上海200237 [2]上海师范大学信息与机电工程学院,上海200234

出　　处：《计算机应用研究》

基　　金：国家自然科学基金资助项目(61071085)。

年　　份：2020

卷　　号：37

期　　号：3

起止页码：662-666

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、EBSCO、IC、JST、PROQUEST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络(DMD-LSTM)的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份(SH000898)上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。

关 键 词：动态模态分解  长短期记忆神经网络  模态特征  板块联动效应  市场背景  

分 类 号：TP391]