文献类型：期刊文章

作　　者：曹超凡[1] 罗泽南[1] 谢佳鑫[1] 李路[1]

CAO Chaofan;LUO Zenan;XIE Jiaxin;LI Lu(School of Mathematics,Physics and Statistics,Shanghai University of Engineering Science,Shanghai 201600,China)

机构地区：[1]上海工程技术大学数理与统计学院,上海201600

出　　处：《计算机工程与应用》

年　　份：2022

卷　　号：58

期　　号：5

起止页码：280-286

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：股价预测一直是投资者在股票市场中关注的焦点。近年来,深度学习技术在这一领域得到广泛应用。在融合卷积神经网络(CNN)和长短时记忆网络(LSTM),构建CNN-LSTM模型的基础上,引入多向延迟嵌入的张量处理技术MDT(mutiway-delay-embedding),对每日股票因子向量进行因子重构,生成汉克尔矩阵,按时间并排生成汉克尔张量,作为CNN-LSTM模型的输入。利用CNN的卷积与池化对包含因子相关性信息的输入数据提取特征,再将输出的特征矩阵输入到LSTM模型进行关联预测,从而构建了MDT-CNN-LSTM混合模型。选取涉及22个行业的48家公司及12个股票因子进行股价预测,通过从预测精度和时效性两个方面对比实验,显示提出的方法表现优于其他模型,最后选取四类股票指数进行预测,模型效果依旧处于较优水准,验证了引入MDT技术的有效性和可行性。

关 键 词：股票价格预测 多向延迟嵌入(MDT)  卷积神经网络(CNN)  长短时记忆网络(LSTM)  

分 类 号：TP29]