E-V-ALSTM模型的股价预测_邓德军.pdf

2023，59（6）近年来，随着经济的快速发展，股票市场规模不断扩大，越来越多的人参与其中进行投资。股票市场中最受关注的问题之一就是股票价格的变化趋势，因为成功地预测股票价格会使投资者做出正确的决定，在降低投E-V-ALSTM模型的股价预测邓德军1，徐洪珍1，2，3，韦诗玥11.东华理工大学 信息工程学院，南昌 3300132.东华理工大学 软件学院，南昌 3300133.江西省网络空间安全智能感知重点实验室，南昌 330013摘要：针对股票价格非平稳、非线性、高复杂和随机波动等特性使其预测难度大的问题，提出一种基于E-V-ALSTM混合深度模型的股票价格预测方法。使用经验模态分解（EMD）对股票价格数据进行第一次分解，得到若干固有模态函数（IMFs）和一个残差（Res），降低了股票价格数据的非平稳性和非线性；使用样本熵（SampEn）对这些IMFs进行复杂性评估；将复杂度高于一定阈值的IMFs使用变分模态分解（VMD）进行二次分解，以降低股票价格数据的复杂性；通过加入注意力机制的长短期记忆神经网络（LSTM）模型进行预测，捕捉关键时间点特征信息，重新赋予权重，以解决股票价格数据的随机波动性，提升预测方法的精确度。对沪深300指数和德国DAX指数等数据集上的实验结果表明，该模型比其他对比模型能进一步提高股票价格预测的准确性。关键词：股票价格预测；二次分解；样本熵；注意力机制；长短期记忆神经网络（LSTM）文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2207-0482Stock Price Prediction Based on E-V-ALSTM ModelDENG Dejun1,XU Hongzhen1，2，3,WEI Shiyue11.School of Information Engineering,East China University of Technology,Nanchang 330013,China2.School of Software,East China University of Technology,Nanchang 330013,China3.Jiangxi Key Laboratory of Cybersecurity Intelligent Perception,Nanchang 330013,ChinaAbstract：To address the problem that the characteristics of non-stationary,non-linearity,highly complex,and stochasticfluctuations of stock prices make it difficult to predict,a stock price prediction method based on the E-V-ALSTM hybriddepth model is proposed.The decomposition of the stock price data is performed using empirical modal decomposition（EMD）to obtain several intrinsic modal functions（IMFs）and a residual（Res）to reduce the non-stationarity andnon-linearity of the stock price data.the complexity of these IMFs is assessed using sample entropy（SampEn）,then theIMFs with a complexity higher than a certain threshold are decomposed using variational modal decomposition（VMD）toreduce the complexity of the stock price data.A long short-term memory neural network（LSTM）model incorporating anattention mechanism is used for prediction,capturing information on key time point features and reassigning weights toaddress the stochastic volatility of the stock price data to improve the accuracy of the prediction method.The experimen-tal results on datasets such as the CSI300 index and German DAX index show that the model can further improve theaccuracy of stock price prediction than other comparative models.Key words：stock price prediction;quadratic decomposition;sample entropy;attention mechanism;long short-term memoryneural network（LSTM）基金项目：国家自然科学基金（62066003）；江西省青年科学家培养对象计划项目（20142BCB23017）；江西省放射性地学大数据技术工程实验室开放项目（JELRGBDT201802）；江西省抚州市人才计划项目（2021ED008）；江西省网络空间安全智能感知重点实验室开放项目（JKLCIP202202）。作者简介：邓德军（1998），男，硕士研究生，CCF会员，研究方向为大数据分析、智能信息处理；徐洪珍（1976），通信作者，男，博士，教授，CCF高级会员，研究方向为大数据技术、机器学习，E-mail：；韦诗玥（1995），女，硕士研究生，研究方向为大数据与机器学习。收稿日期：2022-07-29修回日期：2022-10-24文章编号：1002-8331（2023）06-0101-12Computer Engineering and Applications计算机工程与应用101Computer Engineering and Applications计算机工程与应用2023，59（6）资风险的同时带来可观的利润1。但股票价格受到许多因素的影响，如国家政策的变化、国内外经济环境、国际形势等，使得股票价格数据序列存在非平稳、非线性、高复杂和随机波动性等特性，因而难以准确地预测出股票价格。如何对股票价格变化做出准确预测，提高投资者的收益成为当前金融领域预测的研究热点。国内外学者对股票价格预测都进行了相关研究，主流的方法可分为两类：统计学习的方法和机器学习的方法2。统计学习的方法有基于差分整合移动平均自回归模型（autoregressive integrated moving average，ARIMA）的方法、基于广义自回归条件异方差模型（generalizedautoregressive conditional heteroskedasticity，GARCH）的方法等。但这些统计学习的方法主要是依赖股票价格的线性相关性进行预测，无法处理股票价格数据的非线性特征，从而预测效果不佳。机器学习的方法有支持向量机（support vector machine，SVM）、极限学习机（extreme learning machine，ELM）等。但机器学习的方法在预测过程中需要人工对数据特征进行选择并且容易产生过拟合导致泛化能力弱。目前，深度学习逐渐被应用到股票价格预测研究。与统计学习和机器学习相比，深度学习具有更复杂的网络结构。深度学习方法依靠其复杂的隐藏层结构，可以更准确地学习股票价格数据中的隐藏信息，从而更加准确地预测股票价格3。Lee 等4将随机指标（stochastics oscillator，KD）等技术指标与LSTM深度神经网络相结合，能够较好地预测股票价格的走势和转折。Kamalov等5采用三种神经网络架构：多层感知机（multilayer perceptron，MLP）、卷积神经网络（convolutional neural network，CNN）和LSTM对股票价格进行预测，并使用随机森林（random forest，RF）和相对强度指数（relative strength index，RSI）模型作为基准，其中LSTM算法产生最好的结果，适合分析连续数据。Sun等6提出使用回声状态网络（echo satenetwork，ESN）对股票价格进行预测，与其他模型相比更容易构建时间序列进行预测。Zhang等7提出一种在CNN中加入补偿公式的N-CNN模型，提高了预测的准确性。虽然深度学习模型被广泛应用到股票价格预测，但现有的预测模型通常无法有效反映金融时间序列的重要特征和关键信息，导致模型的预测精度不高、泛化能力较差。研究人员尝试对预测模型加入注意力机制进行改进。注意力机制8现已在自然语言处理、时间序列模型预测等领域中广泛应用，并成为其结构的重要组成部分。注意力机制可以确定哪些输入需要更多注意力，对关键部分的特征赋予不同的权重以获得重要信息，从而有效提升预测模型的精度。Lu 等9提出一种利用CNN提取数据的特征，用注意力机制捕获特征状态对过去不同时间对股票价格的影响，并结合双向长短期记忆（bi-directional long short-term memory，BiLSTM）预测股票价格，为投资者的股票投资决策提供了一种可靠的方法。Niu等10利用VMD来减弱股票价格的噪声影响，再在门控循环单元（gate recurrent unit，GRU）中引入注意力机制，降低股票价格预测的误差。Zhao等11利用主成分分析和决策树融合模型对技术指标降维，再利用加入注意力机制的BiLSTM进行预测，帮助投资者制定高效投资策略。股票价格数据具有非线性、非平稳等特性，直接预测股票价格可能会导致较大的误差。研究人员引入分解算法对股票价格数据进行预处理，使数据变得平稳，降低数据复杂性。Cao等12提出了EMD和LSTM相结合的混合预测模型，验证了加入分解算法的混合模型预测效果要比单一预测模型表现出更好的性能。Zhang等13提出了一种新的深度学习混合预测模型，采用互补集成经验模态分解（complementary ensemble empirical modedecomposition，CEEMD）去除噪声，再使用主成分分析（principal component analysis，PCA）进行数据降维，提取抽象各高级特征，最后将其输入 LSTM 网络进行预测。该模型在预测准确性和盈利能力方面都优于基准模型。Rezaei等14分别使用CEEMD和EMD算法将金融时间序列进行分解，再通过CNN和LSTM结合的混合模型，提取数据中的特征和模式，增强了对股票价格的预测能力。Niu等15提出了一种新的混合模型，利用VMD 将原始序列分解为相对简单的子序列，再使用LSTM进行预测，最后通过水平和方向预测标准，以及复杂性不变距离（CID）的统计量进行评估，结果表明该模型性能明显优于单一模型，且预测精度普遍高于基于EMD的模型。尽管研究者对股票价格预测进行了各种研究，但是仍存在以下问题：第一，现有研究虽然引入各种分解算法对股票价格数据进行了预处理，减少股票价格数据非线性、非平稳等特性，但是没有考虑到因分解算法的缺陷导致分解后的数据仍存在较高复杂性的问题；第二，深度学习预测虽然能通过其自身复杂的网