基于Bi-LSTM深度学习的股票价格预测

摘要

股票价格的预测一直受到金融投资者及学者的广泛关注,同时也是学者的研究重点。股票价格的非线性性、波动性等特点使得使用传统统计学方法进行股票预测的准确率较不理想。长短时记忆循环网络(LSTM)模型在处理时间序列数据上有很大的优势,为了进一步优化预测模型,本文提出了双向传播长短时记忆循环网络(Bi-LSTM),通过双向传播历史数据来对股票价格进行预测。另外,还引入传统神经网络BP、LSTM、GRU与本文所提Bi-LSTM模型进行对比,并引入MSE、RMSE、MAE、R2四种误差评估方法来对模型进行评估,验证模型的预测精度。实证结果表明,基于Adam优化算法的Bi-LSTM网络优于BP、LSTM、GRU等传统预测模型,精确度有明显提升,验证了本模型的有效性和可行性。