N和GRU的混合股指预测模型研究.pdf

文档介绍：Computer Engineering and Applications 计算机工程与应用 2021，57（16） 167
基于 CNN 和 GRU 的混合股指预测模型研究
股指相关输入特征进行预测。Fischer 等人 [10]将 LSTM
经网络算法凭借其良好的非线性处理能力得到了广泛 神经网络应用于 S&P 500 指数的预测，LSTM 预测性能
应用。黄宏运等人[5]利用遗传算法优化反向传播（Back 优于随机森林、逻辑回归分类器和深度神经网络。陈佳
Propagation，BP）神经网络的初始权阈值，解决了 BP 神 等人[11]提出了基于特征选取和 LSTM 神经网络的模型，
经网络在股指预测过程中容易陷入局部最小值、收敛速 该方法提升了股指预测的速度和准确率。
度慢等问题。潘和平等人 [6]提出了一种由经验模态分 针对股指数据大规模、非线性等特点，本文研究了一
解、主成分分析和前馈神经网络三部分组成的预测模 种结合 CNN 和 GRU 神经网络的混合模型对股指进行单
型，该模型能有效提高股指预测的准确率。随着深度学 步预测。一方面，利用 CNN 强大的特征提取能力，挖掘<br****的发展，众多学者尝试将其应用到股指预测研究中。 股指数据之间的内在联系，从而降低原始数据的规模和
Luca 等人[7]提出了一种小波和 CNN 相结合的模型，其对 复杂度；另一方面，通过 GRU 神经网络的时序记忆能力，
标准普尔 500（Standard &amp; Poor’s 500）指数的预测性能 学****股指数据内部动态变化规律，建立输入与输出之间
优于基本的神经网络方法。Li 等人[8]提出了一种融合内 的非线性关系。在本文的后半部分，为了验证算法的有
在可塑性和深度信念网络的新方法，并对 S&amp;P 500 指数 效性和普适性，借鉴统计试验法的思想对构建的模型进
进行了预测，该方法具有较好的预测性能。Qin 等人[9] 行了多次运行仿真。仿真结果表明，本文设计的股指预测
提出了一种基于双阶段注意力的循环神经网络（Recurrent 模型具有较高的预测准确率，且具备一定的普遍适用性。
作者简介：党建武（1964—），男，博士，教授，研究领域为智能