基于神经网络集成学习股票预测模型的研究

doi:10.3778/j.issn.1002-8331.1807-0294

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (8): 238-243.DOI: 10.3778/j.issn.1002-8331.1807-0294

基于神经网络集成学习股票预测模型的研究

谢琪1，程耕国1，徐旭2

1.武汉科技大学信息科学与工程学院，武汉 430065
2.格勒诺布尔高等商学院高等商业学院，格勒诺布尔 38000

出版日期:2019-04-15 发布日期:2019-04-15

Research Based on Stock Predicting Model of Neural Networks Ensemble Learning

XIE Qi1, CHENG Gengguo1, XU Xu2

1.School of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan 430065, China
2.Ecole Supérieure de Commerce, Grenoble Ecole de Management, Grenoble 38000, France

Online:2019-04-15 Published:2019-04-15

摘要/Abstract

摘要： 基于深度学习的原理构建出六层长短记忆神经网络，通过集成学习中Bagging方法组合8个长短记忆神经网络。使用基于神经网络集成学习模型预测中国人民币普通股市场。实验测试了从2012年1月4日到2017年12月29日这期间的上海证券综合指数、深圳证券综合指数、上证50指数、沪深300指数、中小企业板指数和创业企业板指数。实验结果为模型的准确率达到58.5%，精确率为58.33%，召回率为73.5%，[F1]值为64.5%，AUC值为57.67%，取得了较好的预测效果。

关键词: 长短记忆神经网络, 装袋算法, 股票, 准确率, 精确率

Abstract: Based on deep learning, six layer long short-term memory neural networks are constructed. Eight long short-term memory neural networks are combined with bagging method in ensemble learning and predicting model of neural networks ensemble learning is used in Chinese Stock Market. The experiment tests Shanghai Composite Index, Shenzhen Composite Index, Shanghai Stock Exchange 50 Index, Shanghai-Shenzhen 300 Index, Medium and Small Plate Index and Gem Index during the period from January 4, 2012 to December 29, 2017. The model’s accuracy is 58.5%, precision is 58.33%, recall is 73.5%, [F1] value is 64.5%, and AUC value is 57.67%, which reflect a good prediction outcome.

Key words: Long Short-Term Memory（LSTM）, bagging, stock, accuracy, precision

谢琪1，程耕国1，徐旭2. 基于神经网络集成学习股票预测模型的研究[J]. 计算机工程与应用, 2019, 55(8): 238-243.

XIE Qi1, CHENG Gengguo1, XU Xu2. Research Based on Stock Predicting Model of Neural Networks Ensemble Learning[J]. Computer Engineering and Applications, 2019, 55(8): 238-243.

[1]	张倩玉，严冬梅，韩佳彤. 结合深度学习和分解算法的股票价格预测研究[J]. 计算机工程与应用, 2021, 57(5): 56-64.
[2]	耿立校，刘丽莎，李恒昱. 多源异构数据融合驱动的股票指数预测研究[J]. 计算机工程与应用, 2021, 57(20): 142-149.
[3]	闫政旭，秦超，宋刚. 基于Pearson特征选择的随机森林模型股票价格预测[J]. 计算机工程与应用, 2021, 57(15): 286-296.
[4]	张延良，卢冰，蒋涵笑，洪晓鹏，赵国英，张伟涛. 微表情类别与区域间关联度的分析方法研究[J]. 计算机工程与应用, 2020, 56(19): 146-151.
[5]	孙夫雄，刘光明，曾子轩，彭梦琪. 基于组合模型的股票停牌预测研究[J]. 计算机工程与应用, 2020, 56(18): 272-278.
[6]	徐浩然，许波，徐可文. 机器学习在股票预测中的应用综述[J]. 计算机工程与应用, 2020, 56(12): 19-24.
[7]	郑红景，蒋梦梦，周杰. 股票市场的高维动态因子模型及其实证分析[J]. 计算机工程与应用, 2020, 56(12): 243-249.
[8]	邓烜堃1，2，万良1，2，黄娜娜1，2. 基于DAE-BP神经网络的股票预测研究[J]. 计算机工程与应用, 2019, 55(3): 126-132.
[9]	邱一豪，孟志青. 时态神经网络模型及其在股票分类预测上应用[J]. 计算机工程与应用, 2019, 55(15): 263-270.
[10]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[11]	王颖，王欣，唐万梅. 融合用户自然最近邻的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(7): 77-83.
[12]	张国兴，李亚东，张磊，樊庆富，李想. 基于SDZ-RNN的出租车出行目的地预测方法[J]. 计算机工程与应用, 2018, 54(6): 143-149.
[13]	周法国1，吴锡坤1，孙泰2，孙镇2. 基于转移学习的中文命名实体识别[J]. 计算机工程与应用, 2018, 54(5): 117-121.
[14]	赵瑛1，耿秀琳1，李琦1，蒋广琪1，谷宇1，2. 视觉假体中动态图像识别研究[J]. 计算机工程与应用, 2018, 54(23): 162-169.
[15]	郭彩云，王会进. 改进的基于标签的协同过滤算法[J]. 计算机工程与应用, 2016, 52(8): 56-61.

基于神经网络集成学习股票预测模型的研究

Research Based on Stock Predicting Model of Neural Networks Ensemble Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics