一种优化LSTM神经网络模型的预测方法

摘要

针对股票收盘价预测精度不高的问题,提出了一种优化长短期记忆(LSTM)神经网络模型(P-Adam-LSTM)。在LSTM神经网络结构的基础上,将通过自适应矩估计算法自适应地调节学习率,提高准确度;利用Pearson相关系数选出最佳特征集并用于训练,改善误差率。将P-Adam-LSTM与LSTM、Adam-LSTM、P-LSTM模型进行纵向对比试验;将P-Adam-LSTM与RNN、CNN、BP模型进行横向对比试验;将Adam-LSTM与Adagrad-LSTM、RMSProp-LSTM、SGD-LSTM模型进行优化算法模型对比试验。训练数据为上证A股的中国国贸(600007.SH)十年间的股票特征,实验验证了P-Adam-LSTM对收盘价预测具有有效性。