基于LSTM的滬深300股票指數(shù)預(yù)測(cè)研究

任鑫 韓旭

摘? 要：作為A股市場(chǎng)重要的股票指數(shù)之一，對(duì)滬深300股指的走勢(shì)進(jìn)行預(yù)測(cè)對(duì)于投資者進(jìn)行套期保值和風(fēng)險(xiǎn)轉(zhuǎn)移具有重要的意義。本文利用LSTM網(wǎng)絡(luò)具備的復(fù)雜非線性時(shí)序特征提取能力，設(shè)計(jì)了一個(gè)LSTM深度循環(huán)神經(jīng)網(wǎng)絡(luò)來對(duì)滬深300股指的走勢(shì)進(jìn)行預(yù)測(cè)。結(jié)果表明，LSTM能夠被成功地運(yùn)用于股票價(jià)格指數(shù)走勢(shì)的預(yù)測(cè)。

關(guān)鍵詞：股指期貨;神經(jīng)網(wǎng)絡(luò);非線性;時(shí)序特征

股票的發(fā)展到今天已經(jīng)有幾百年的歷史。股票市場(chǎng)的變化可以說是整個(gè)社會(huì)經(jīng)濟(jì)的“晴雨表”，它反映了社會(huì)經(jīng)濟(jì)的發(fā)展?fàn)顩r和公司的運(yùn)營狀況。股票價(jià)格指數(shù)被當(dāng)做一種指標(biāo)，反映了股票市場(chǎng)上所有股票市場(chǎng)價(jià)格的總體水平和相應(yīng)的變化情況。股票指數(shù)的變化對(duì)于廣大投資者和社會(huì)經(jīng)濟(jì)都有十分重要的影響。研究股指的主要作用是為套期保值者規(guī)避和轉(zhuǎn)移風(fēng)險(xiǎn)。人們不斷進(jìn)行股指期貨的研究，可是大多數(shù)研究者對(duì)我國的股指期貨研究僅限于交易規(guī)則的制定和管理方式方法上。我們需要一種更加有效地方法對(duì)股指變化做出預(yù)測(cè)。

近年來以神經(jīng)網(wǎng)絡(luò)為基本構(gòu)造模塊的深度神經(jīng)網(wǎng)絡(luò)模型眾多領(lǐng)域取得了巨大的成功。股票價(jià)格指數(shù)數(shù)據(jù)往往蘊(yùn)含著大量的高噪聲和復(fù)雜的非線性，淺層學(xué)習(xí)方法無法對(duì)其進(jìn)行有效建模。由于深度神經(jīng)網(wǎng)絡(luò)能夠提取出數(shù)據(jù)中蘊(yùn)含的復(fù)雜非線性特征，因此本文通過長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)我國滬深300指數(shù)走勢(shì)進(jìn)行研究預(yù)測(cè)，以此來為投資者規(guī)避股市風(fēng)險(xiǎn)和實(shí)現(xiàn)財(cái)富保增值提供預(yù)判。

一、長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)

長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)，其獨(dú)特的門控設(shè)計(jì)使得其可以學(xué)習(xí)到時(shí)間序列中存在的多種長短期依賴信息。LSTM的每個(gè)神經(jīng)元都有4個(gè)門控制著信息在單元內(nèi)的流通，這4個(gè)門分別如下：

基于此本文設(shè)計(jì)了一個(gè)隱藏層大小為20的LSTM網(wǎng)絡(luò)作為模型的第一層來提取股指數(shù)據(jù)中的高度復(fù)雜非線性時(shí)序特征，LSTM接收大小為? 的一個(gè)矩陣，然后輸出一個(gè)大小為 的向量;然后設(shè)計(jì)了一個(gè)隱藏層大小為1的全連接層作為輸出層，其接收LSTM輸出 大小的向量，然后輸出大小為? 的標(biāo)量作為模型的輸出;最后通過誤差函數(shù)計(jì)算全連接層的輸出與樣本真實(shí)值之間的誤差，以此誤差進(jìn)行反向傳播更新模型參數(shù)以完成模型訓(xùn)練。

二、實(shí)驗(yàn)

（1）實(shí)驗(yàn)數(shù)據(jù)。本文選2018年1月1日至2018年12月30日共239個(gè)交易日的滬深300指數(shù)交易數(shù)據(jù)作為建模數(shù)據(jù)，將前5個(gè)交易日的開盤點(diǎn)位、最低點(diǎn)位、最高點(diǎn)位、成交量、成交金額、收盤點(diǎn)和第6個(gè)交易日的收盤點(diǎn)位作為一對(duì)訓(xùn)練樣本，一共可獲得234對(duì)訓(xùn)練樣本作為訓(xùn)練數(shù)據(jù)。

（2）實(shí)驗(yàn)設(shè)置。本實(shí)驗(yàn)所設(shè)計(jì)的LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)模型，使用python編程語言進(jìn)行實(shí)現(xiàn)，運(yùn)行在內(nèi)存為8GB，顯存為3GB的Ubuntu18.04操作系統(tǒng)上。模型采用Xavier方法作為各權(quán)重矩陣的初始化方式，學(xué)習(xí)率設(shè)定為0.1，模型損失通過MSE均方誤差函數(shù)實(shí)現(xiàn)，優(yōu)化方法為隨機(jī)梯度下降法，迭代次數(shù)設(shè)定為200次。

（3）實(shí)驗(yàn)結(jié)果。經(jīng)過200次迭代，模型平均誤差從最開始的2.4135逐漸下降收斂到0.0014，說明模型對(duì)于訓(xùn)練樣本之間的映射關(guān)系能夠進(jìn)行良好地學(xué)習(xí)。訓(xùn)練完成的模型的預(yù)測(cè)結(jié)果與真實(shí)值的比較如圖1所示，不難發(fā)現(xiàn)本文所訓(xùn)練的模型對(duì)于滬深300指數(shù)前五個(gè)交易日的交易數(shù)據(jù)同第六個(gè)交易日的收盤點(diǎn)位之間的復(fù)雜關(guān)系能夠進(jìn)行良好地建模。

本文通過構(gòu)建基于LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)模型，將其用于滬深300指數(shù)的預(yù)測(cè)。實(shí)驗(yàn)表明，LSTM網(wǎng)絡(luò)能夠?qū)τ跍?00指數(shù)數(shù)據(jù)自身存在的高度復(fù)雜非線性時(shí)序特征進(jìn)行良好的學(xué)習(xí)建模。

參考文獻(xiàn)

[1]Hochreiter S，Schmidhuber J.Long Short-Term Memory[J].Neural Computation，1997.9（08）：1735-1780

[2]Xavier Glorot，Y.Bengio.Understanding the difficulty of training deep feedforward neural networks[J].Journal of Machine Learning Research，2010.01（09）：249-256

作者簡介：任鑫（1995-），男，漢族，四川省南充市，碩士研究生，成都理工大學(xué)管理科學(xué)學(xué)院應(yīng)用統(tǒng)計(jì)專業(yè)，研究方向：大數(shù)據(jù)統(tǒng)計(jì)。

韓旭（1994–），男，漢族，黑龍江省綏化市人，碩士研究生，單位：成都理工大學(xué)管理科學(xué)學(xué)院應(yīng)用統(tǒng)計(jì)專業(yè)，研究方向：地學(xué)數(shù)據(jù)統(tǒng)計(jì)分析。