论文总字数：35070字

摘 要

为了解决已有股价预测模型因自身缺陷无法分析类似股票价格等具有非线性、非平稳性特点的时间序列，从而致使股票价格难以被预测的问题。采用了一种以神经网络模型中的长短期记忆网络模型为基础，融入了经验模态分解方法的EMD-LSTM模型，通过把数据序列分解成不同特征尺度的本征模态函数，以此修正了LSTM模型中的部分缺陷来预测三只来自不同板块的股票的价格。试验结果表明：该模型比传统LSTM模型预测准确度更高，更具有实用性，达到了预期要求。依据LSTM模型特点及EMD方法作用，该模型能有效消除一般神经网络模型中出现的梯度爆炸和梯度消失问题，同时提高了模型的预测效率，且EMD方法基本解决了时间序列非线性非平稳的特征。

关键词：经验模态分解（EMD） 长短期记忆网络（LSTM） 股价预测 机器学习

EMD-LSTM: EMD-based LSTM for Stock Price Prediction

ABSTRACT

In order to figure out the problem that the existing price prediction model concerning stock is unlikely to forecast the stock price, which is a kind of non-linear and non-stationary time series, due to its own characteristics, the stock price is hard to predict. The research in the paper utilizes an EMD-LSTM model. By decomposing the data sequence into the eigenmode functions of different characteristic scales, some defects in the LSTM model are corrected to predict the prices of three stocks from different sectors. The experiment illustrates that the accuracy and the practicability of this model is superior to the conventional LSTM model, and meets the expectation. Thanks to the characteristics of LSTM model and EMD method, the gradient explosion and gradient disappearance can be effectively gotten rid of in the general neural network model. Meanwhile, the model is possible to operate more efficiently. Moreover, EMD method basically solves the nonlinear and non-stationary characteristics of time series.

Key words: empirical modal decomposition (EMD)；long-term and short-term memory network (LSTM)；stock price prediction；machinery learning

目录

摘要 I

ABSTRACT II

第一章 绪论 1

1.1 研究背景和现状 1

1.1.1 研究背景 1

1.1.2 研究现状 1

1.2 研究内容 3

1.3 研究意义 3

第二章 基础知识与模型建立 4

2.1经验模态分解方法EMD 4

2.2长短期神经网络模型LSTM 4

2.2.1 模型介绍 4

2.2.2模型建立 5

2.3经验模态分解-长短期神经网络EMD-LSTM 6

2.3.1 模型介绍 6

2.3.2 模型建立 6

第三章 模型测试 8

3.1 数据选取 8

3.1.1 股票选取 8

3.1.2 数据数量amp;数据时间段 9

3.2 实验准备 10

3.2.1 组别划分 10

3.2.2 误差分析指标 10

3.3工商银行股价预测 10

3.3.1对不同数据样本的实验 10

3.3.2 参数确定 15

3.4 南京高科股价预测 17

3.4.1 对不同数据样本的实验 17

3.4.2 参数确定 21

3.5 珠海港股价预测 22

3.5.1 对不同数据样本的实验 22

3.5.2 参数确定 27

3.6 实验结果分析 28

3.7误差分析 28

3.8 实验总结 33

3.9 比较分析 33

第四章 结论 36

致谢 37

参考文献： 38

附录 41

第一章 绪论

1.1 研究背景和现状

1.1.1 研究背景

自2010年中国成为世界第二大经济体以来，我国科技进步及正确方针指引使得人均生活水平明显提高，理财观念开始普及。多年来，投资者偏好于风险投资，但是风险投资能取得高回报的同时也有着大损失的风险^[1]。因此，股票市场波动预测对投资者、投资组和经理、资产估值以及风险管理都很重要^[2]。

在早期，专业人士就已经开始着手用计量经济学中的传统模型，试图分析和预测股价格。然而，由于股票数据具有高噪声、动态、非线性和非参数等特点^[3]，准确地预测股票价格仍是一项具有挑战性的工作。近年来，人工智能技术和大数据技术的日趋成熟使其在不同领域中广泛应用提供了可能性。同时，金融市场正在进一步体系化、完整化，各界都有志于将两种技术应用于股票市场预测上^[4]。互联网的革新提供了海量数据，为机器学习方法付诸实践提供了条件^[5]。与传统统计模型相比，深度神经网络可以通过分层对复杂的非线性关系特征进行分解简化以此使其能够被更好的表达和分析，适合处理股票数据分析这种多因素影响、不稳定、复杂的非线性问题。因此，两者结合来预测股价，既能提高预测效率，也能提高准确性。

1.1.2 研究现状

近年来，许多学者也在自身分析假设的前提下运用传统模型进行了实验和建模。2008年，Huang等^[6]将ARX（Autoregressive exogenous）预测模型与灰色系统理论和粗糙集理论相结合，建立股票市场的自动预测和投资组合选择机制；2010年，Chen等^[7]建立了基于灰色模型GM（1,1）和灰色动态中性网的预测模型，并对Dow Jones Cbn China 600 Inda进行预测；2015年，Narendra等^[8]将ARMA（Autoregressive Moving Average）模型和GARCH模型应用于NSE印度股票市场数据；2016年，Roberto等^[9]利用金融时间序列模型，预测了美国证券交易所上市的20家公司的未来价格趋势。但是，上述模型受到正态性或自相关限制，不适用于真实情况^[10]。

在人工智能技术和大数据技术的推广后，决策树^[11]、遗传算法^[12][13]、支持向量机^[14]、逻辑回归^[15]等机器学习算法^[16]以及深度学习网络模型都已经被应用在了股票预测上。2007年，Hammda等^[17]采用多层BP神经网络对约旦股票市场的指数价格趋势进行预测；2008年，Ozbayoglu等^[18]通过对比人工神经网络和贝叶斯方法在金融市场的预测性能，发现这两种算法均有效，但是人工神经网络的预测效果更佳；2013年，Wang等^[19]将决策树（DT）算法和支持向量机（SVM）模型混合，首先利用DT算法过滤大部分噪声数据，然后利用SVM处理第二阶段的训练数据，从而预测期货价格走势；2015年，Nayak等^[20]利用人工化学反应优化（ACRO）算法训练多层感知机（MLP）来预测股票市场指数；2017年，Chen等^[21]建立特征加权的支持向量机（SVM）和K近邻算法，对上海和深圳股票市场指数进行预测，该模型在短期、中期和长期都具有较好的预测能力。同年，Wang^[22]为了提高股票价格的预测能力，提出了一种基于小波神经网络的股票价格预测方法；2018年，Sotirios等^[23]利用分类树、支持向量机、随机森林、神经网络、极端梯度提升和深度神经网络等一系列技术的优点，分析国际股票市场危机事件。各项研究表明^[24]，神经网络模型在预测准度和精度上优于传统机器学习算法。而在对传统RNN、LSTM、GRU三种循环神经网络模型的测试中，LSTM模型表现最好^[25]。

请支付后下载全文，论文总字数：35070字