利用Bagging算法和GRU模型预测股票价格指数

doi:10.3778/j.issn.1002-8331.2105-0367

摘要/Abstract

摘要： 股价预测对监管部门了解金融市场运行状况和投资者规避股市的高风险具有重要意义。提出了一种基于门控循环（gated recurrent unit，GRU）神经网络和装袋（Bagging）的方法，并将其应用于股指的预测研究。该模型通过Bagging方法处理训练数据集，在模型构建过程中引入随机性，并结合GRU模型预测股价，最终能够降低预测误差，提高预测准确性。通过4个数据集实验结果的对比发现：（1）GRU模型能够较好地预测股指数据，与另外两种单个模型相比，多数情况下具有更小的预测误差；（2）引入Bagging方法的GRU模型具有较强的预测能力，相比于三种基准模型（GRU、ELM、BP）有更小的预测误差和更高的预测稳定度。

关键词: 机器学习, Bagging方法, Bagging和GRU预测模型

Abstract: The prediction of stock price has a great significance for the regulators to find out the operation of the financial market and for the investors to avoid the risk of stock market. This paper proposes a method based on gated recurrent unit（GRU） neural network and bagging, and applies it to the research of forecasts of stock indexes. The model uses Bagging method to process the training data set, introduces randomness in the model construction process, and combines the GRU model to predict stock prices, which can ultimately reduce prediction errors and improve prediction accuracy. Through the comparison of the experimental results of the fourdata sets, it is found that：（1）The GRU model can better predict stock index data. Compared with the other two single models, it has smaller forecast errors in most cases. （2）The Bagging-GRU model has a strong predictive ability. Compared with the three benchmark models（GRU, ELM, BP）, it has smaller prediction errors and higher prediction stability.

Key words: machine learning, Bagging method, Bagging and GRU prediction model

牛红丽, 赵亚枝. 利用Bagging算法和GRU模型预测股票价格指数[J]. 计算机工程与应用, 2022, 58(12): 132-138.

NIU Hongli, ZHAO Yazhi. Predicting Stock Price Index Using Bagging Algorithm and GRU Model[J]. Computer Engineering and Applications, 2022, 58(12): 132-138.

参考文献

[1] 吴玉霞，温欣.基于ARIMA模型的短期股票价格预测[J].统计与决策，2016，32（23）：83-86.
WU Y X，WEN X.Short-term stock price prediction based on ARIMA model[J].Statistics & Decision，2016，32（23）：83-86.
[2] 李木易，方颖.动态混合HGARCH模型的估计和预测[J].管理科学学报，2020，23（5）：1-12.
LI M Y，FANG Y.Estimation and forecasting of mixture HGARCH model[J].Journal of Management Sciences in China，2020，23（5）：1-12.
[3] 金瑶，蔡之华.基于AR模型的Kalman滤波在股票价格预测中的应用[J].统计与决策，2013，29（6）：80-82.
JIN Y，CAI Z H.Application of Kalman filter based on AR model in stock price prediction[J].Statistics & Decision，2013，29（6）：80-82.
[4] NI L，NI Z，GAO Y，et al.Stock trend prediction based on fractal feature selection and support vector machine[J].Expert Systems with Applications，2011，38（5）：5569-5576.
[5] 于卓熙，秦璐，赵志文，等.基于主成分分析与广义回归神经网络的股票价格预测[J].统计与决策，2018，34（18）：168-171.
YU Z X，QIN L，ZHAO Z W，et al.Prediction of stock price based on principal component analysis and generalized regression neural network[J].Statistics & Decision，2018，34（18）：168-171.
[6] 綦方中，林少倩，俞婷婷.基于PCA和IFOA-BP神经网络的股价预测模型[J].计算机应用与软件，2020，37（1）：116-121.
QI F Z，LIN S Q，YU T T.A prediction model of stock price based on PCA and IFOA-BP neural network[J].Computer Applications and Software，2020，37（1）：116-121.
[7] 肖菁，潘中亮.股票价格短期预测的LM遗传神经网络算法[J].计算机应用，2012，32（s1）：144-146.
XIAO J，PAN Z L.Stock price short-time prediction based on GA-LM-BP neural network[J].Journal of Computer Applications，2012，32（s1）：144-146.
[8] 邓烜堃，万良，黄娜娜.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.
DENG X K，WAN L，HUANG N N.Stock prediction research based on DAE-BP neural network[J].Computer Engineering and Applications，2019，55（3）：126-132.
[9] 杨青，王晨蔚.基于深度学习LSTM神经网络的全球股票指数预测研究[J].统计研究，2019，36（3）：65-77.
YANG Q，WANG C W.A study on forecast of global stock indices based on deep LSTM neural network[J].Statistical Research，2019，36（3）：65-77.
[10] HEATON J B，POLSON N G，WITTE J H.Deep learning for finance：deep portfolios[J].Applied Stochastic Models in Business and Industry，2017，33（1）：3-12.
[11] 谷丽琼，吴运杰，逄金辉.基于Attention机制的GRU股票预测模型[J].系统工程，2020，38（5）：134-140.
GU L Q，WU Y J，PANG J H.An attention-based GRU model for stock predicting[J].Systems Engineering，2020，38（5）：134-140.
[12] 朱伟，孙运全，钱尧，等.基于CEEMD-GRU模型的短期电力负荷预测方法[J].电测与仪表：1-8[2021-05-08].https：//kns.cnki.net/kcms/detail/23.1202.TH.20200727.1613.026.html.
ZHU W，SUN Y Q，QIAN Y，et al.Short-term load forecasting method based on complementary ensemble empirical mode decomposition and gated recurrent unit neural network[J].Electrical Measurement & Instrumentation：1-8[2021-05-08].https：//kns.cnki.net/kcms/detail/23.1202.TH.
20200727.1613.026.html.
[13] SAUD S A，SHAKYA S.Analysis of look back period for stock price prediction with RNN variants：a case study on banking sector of NEPSE[J].Procedia Computer Science，2020（167）：788-798.
[14] 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.
ZHANG Q Y，YAN D M，HAN J T.Research on stock price prediction combined with deep learning and decomposition algorithm[J].Computer Engineering and Applications，2021，57（5）：56-64.
[15] 党建武，从筱卿.基于CNN和GRU的混合股指预测模型研究[J].计算机工程与应用，2021，57（16）：167-174.
DANG J W，CONG X Q.Research on hybrid stock index forecasting model based on CNN and GRU[J].Computer Engineering and Applications，2021，57（16）：167-174.
[16] BENGIO Y.Learning long-term dependencies with gradient descent is difficult[J].IEEE Transactions on Neural Networks，1994，5（2）：157-166.
[17] BREIMAN L.Bagging predictors[J].Machine Learning，1996（24）：123-140.
[18] KAROL S.Bagged neural networks for forecasting Polish （low） inflation[J].International Journal of Forecasting，2019，35（3）：1042-1059.
[19] YIN A，SANCHEZ A R，JR S B，et al.Equity premium prediction and optimal portfolio decision with bagging[J].North American Journal of Economics and Finance，2020（54）：101274.
[20] 王康，张智晟，撖奥洋，等.基于Bagging的双向GRU集成神经网络短期负荷预测[J].电力系统及其自动化学报，2021，33（10）：24-30.
WANG K，ZHANG Z S，HAN A Y，et al.Short-term load forecasting based on bidirectional GRU neural network integrated by bagging algorithm[J].Proceedings of the CSU-EPSA，2021，33（10）：24-30.
[21] KHWAJA A S，ANPALAGAN A，NAEEM M，et al.Joint bagged-boosted artificial neural networks：using ensemble machine learning to improve short-term electricity load forecasting[J].Electric Power Systems Research，2020（179）：106080.
[22] 李梅，宁德军，郭佳程.基于注意力机制的CNN-LSTM 模型及其应用[J].计算机工程与应用，2019，55（13）：20-27.
LI M，NING D J，GUO J C.Attention mechanism-based CNN-LSTM model and its application[J].Computer Engineering and Applications，2019，55（13）：20-27.
[23] HOCHREITER S J，SCHMIDHUBER R A.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.
[24] CHO K，VAN MERRIENBOER B，GULCEHRE C，et al.Learning phrase representations using RNN encoder-decoder for statistical machine translation[J].arXiv：1406.
1078，2014.
[25] WANG Y，LIAO W，CHANG Y.Gated recurrent unit network based short-term photo voltaic forecasting[J].Energies，2018，11（8）：1-14.