基于LSTM神經(jīng)網(wǎng)絡(luò)的股票大盤短期趨勢預(yù)測

馬元昊

摘要：該文針對股票價格預(yù)測課題分析了循環(huán)神經(jīng)網(wǎng)絡(luò)在這一領(lǐng)域的可行性。通過結(jié)合結(jié)合長短期記憶，基于Tensorflow平臺搭建了多層LSTM模型對上證綜指進行了短期預(yù)測，通過不斷優(yōu)化得到了非常好的預(yù)測準確率。

關(guān)鍵詞：股票大盤;LSTM;短期預(yù)測

中圖分類號：TP393 文獻標識碼：A

文章編號：1009-3044（2020）05-0205-02

開放科學（資源服務(wù)）標識碼（OSID）：

金融市場中股票的預(yù)測一直是一個經(jīng)久不衰的研究課題，引起了著來自各個學術(shù)領(lǐng)域的學者和業(yè)界人士的關(guān)注[1-2]。股票市場因為其蘊含巨大的商業(yè)價值而提供了巨大的吸引力，對于股票市場的預(yù)測由于股票數(shù)據(jù)的非線性、時間序列、價值導向、強波動性等特性而產(chǎn)生了而產(chǎn)生了很大的困難。同時由于股票市場受到眾多外界因素和干擾項的影響，其中包括公司財務(wù)狀況，國家政策導向，社交輿論影響等，因此可以將股票市場看作是一個錯綜復(fù)雜的非線性動態(tài)系統(tǒng)，很難用常規(guī)的方法預(yù)測其趨勢變化。近年來由于機器學習的興起，多種機器學習算法，如神經(jīng)網(wǎng)絡(luò)，遺傳算法，支持向量機，KNN等，都被用于預(yù)測股票價格[3-5]。LSTM作為最成功的RNN架構(gòu)之一，對于股票趨勢這種有著一定周期規(guī)律的預(yù)測有著很好的效果。LSTM型循環(huán)神經(jīng)網(wǎng)絡(luò)解決了神經(jīng)網(wǎng)絡(luò)存在的梯度消亡現(xiàn)象[6]。LSTM引入了存儲器單元，這是一種計算單元，可替代網(wǎng)絡(luò)隱藏層中的傳統(tǒng)人工神經(jīng)元。利用這些存儲器單元，網(wǎng)絡(luò)能夠及時有效地關(guān)聯(lián)存儲器和遠程輸入，因此適合于隨著時間的推移以高預(yù)測能力動態(tài)地掌握數(shù)據(jù)結(jié)構(gòu)。本文使用LSTM基于TensorFlow平臺對中國股票上證指數(shù)進行了建模和預(yù)測。本文選取了上證綜指的交易數(shù)據(jù)（日數(shù)據(jù)）：開盤價、最高價、最低價、收盤價、交易量、交易額、漲跌幅七個維度的特征數(shù)據(jù)作為輸入因子，同時為了判斷模型的預(yù)測準確率，加入了股票代碼、時間和后一個交易日該股票的收盤價，通過計算（預(yù)測收盤價一實際收盤價）/實際收盤價來得到準確率。通過對58000個序列的訓練擬合該模型，并使用其他9900個序列進行測試。預(yù)測準確率達到了97.80087040351719%，說明應(yīng)用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測上證大盤指數(shù)有著相當不錯的效果。

1 方法

在我們用于股票預(yù)測的LSTM模型中，一個序列被定義為固定時間段（N天）內(nèi)任上證指數(shù)的每日數(shù)據(jù)集的順序收集。每日數(shù)據(jù)集包含具有序列學習能力的股票的特征，例如收盤價，這些N天中某一天的交易量等。我們的模型由一個輸入層，多個LSTM層，密集層以及單個輸出層組成。其中輸出層存儲單元的數(shù)量與序列可保持的學習特征數(shù)量一樣。上證指數(shù)的58000條數(shù)據(jù)作為訓練集，9900條數(shù)據(jù)作為測試集。獲取和預(yù)處理訓練集，將數(shù)據(jù)標準化，將數(shù)據(jù)處理為20*7*5800的矩陣作為輸入，同時以batch_size=60的大小記錄每一個batch的初始index。以同樣的方式處理測試集，只是在返回值中需要包括平均值矩陣和方差值矩陣，因為在最后計算誤差時需要恢復(fù)原數(shù)據(jù)的范圍，從而比對預(yù)測值和真實值的距離。

class LSTMO：

def hidden_layer（self， inputs， feature_num， cell_num， lay-er_num，BATCH_SIZE，TIMESTEP）：

def lstm_cell0：

cell=tf.nn.rnn_cell.BasicLSTMCell（cell_num）

return t￡nn. rnn_cell. DropoutWrapper（cell， LSTM_ KEEP_PROB）

cell=tf.contrib.rnn.MultiRNNCell（[

lstm_cello for一in range（layer_num）

】， state_is_tuple=True）

具體代碼如下：

def

train_model（self， BATCH_SIZE， TIMESTEP， train_begin，train_end Ji，feature_num，cell_num，layer_num，globaLsteps）：

with tf.name_scope（'inputs 7）：

inputs=tf. placeholder（tf. float32， shape= [None， TIMESTEP， fea-ture_num]，name=7i

nputs）

labels=tf. placeholder（tf. float32， shape= [None， TIMESTEP，1】，name='Iabels'）

data=get_datao

index， train_x， train_y=data. get_train_data（BATCH_SIZE，TIMESTEP，train_begin，tra

in end

with tf.variable_scope（ "Istm_layer"）：

pred，～=self. hidden_layer（inputs， feature_num， cell_num， lay-er_num，BATCH_S

IZE，TIMESTEP）

在LSTM中，選擇序列的學習特征至關(guān)重要[7]。由于股票數(shù)據(jù)種類較多，包含了日數(shù)據(jù)、周數(shù)據(jù)等不同時間跨度的數(shù)據(jù)以及輔助預(yù)測而產(chǎn)生的數(shù)據(jù)例如日線k線等，這里我們選用以下兩組：

（1）上證綜指的交易數(shù)據(jù)（日數(shù)據(jù)）：開盤價、收盤價、日內(nèi)最高價、日內(nèi)最低價、交易量、交易額;

（2）上證綜指的財務(wù)數(shù)據(jù)（日數(shù)據(jù)）：歷史PEC、市盈率、市現(xiàn)率PCF、市銷率PSc8]。

我們期望LSTM的序列學習能力將為我們找到最佳參數(shù)。在目前的研究中，一個序列有60天的股價數(shù)據(jù)，每個每日數(shù)據(jù)有10個特征。

2 實驗

原始數(shù)據(jù)：本實驗中選取的是上證指數(shù)中股票代碼為sh000001的上證綜指股票從1990/12/20到2018/10/17共6790日數(shù)據(jù)。總數(shù)據(jù)大小為10*6790，即一共有67900個交易日該股票的數(shù)據(jù)，每一個交易日的數(shù)據(jù)包括10個維度。具體包括：股票代碼，交易時間，開盤價，收盤價，最低價，最高價，交易量，交易額，漲跌幅;處理訓練和測試的輸入集和輸出對比集，對各因子的數(shù)據(jù)進行z-score標準化讓不同因子的數(shù)據(jù)的范圍相近，確保各因子的數(shù)據(jù)不會因為取值范圍之差導致一些因子在模型訓練中不起作用。

訓練細節(jié)：本實驗在Windows系統(tǒng)下進行，主要配置參數(shù)為Window 10 x64， 8.00 CB運行內(nèi)存，Intel i5-5200 CPU.并用Python進行程序設(shè)計。我們選擇應(yīng)用TensorFlow作為深度學習平臺。使用pandas和numpy進行數(shù)據(jù)獲取和處理。數(shù)據(jù)來源于tushare。神經(jīng)網(wǎng)絡(luò)層數(shù)為2，批量大小為60，神經(jīng)細胞個數(shù)為15，學習率初始定為0.0006，迭代次數(shù)為1000，時間步長為20，閾值為0.95，優(yōu)化器為自適應(yīng)矩估計。

實驗結(jié)果：本實驗預(yù)測的是后一日的收盤價，為了判斷模型的預(yù)測準確率，通過計算（預(yù)測收盤價一實際收盤價）/實際收盤價來得到準確率，同時以折線圖的形式比對預(yù)測值和實際值的偏差。通過反復(fù)的參數(shù)調(diào)整和模型微調(diào)，最終對上證綜指數(shù)據(jù)集的最佳預(yù)測正確率為：97.80087040351719%。

圖1展示了實驗結(jié)果。

3 總結(jié)

本文采用了高階的深度學習平臺TensorFlow，實驗數(shù)據(jù)來源于股票代碼為sh000001上證綜指從1990/12/20到2018/10/17的日線數(shù)據(jù)，目的是通過歷史數(shù)據(jù)預(yù)測下一日的股票收盤價格。通過將原數(shù)據(jù)預(yù)處理后劃分為訓練集和測試集，避免訓練集和測試集交叉而導致過擬合問題。實驗過程搭建了一個多層LSTM模型，通過反復(fù)調(diào)參和局部優(yōu)化得到了一個十分理想的數(shù)據(jù)，最終僅通過1000次迭代達到了97.8%的正確率，這個結(jié)果證明可以很好地預(yù)測出上證指數(shù)的后一日收盤價，在選擇股票分析時，這非常有用，對于股票實操有很好的指導意義。本文證明了LSTM在中國股票市場預(yù)測上證指數(shù)上有著強大的功能，相應(yīng)的對于股市中的個股預(yù)測也能起到一定作用。

參考文獻：

[1]王波，程福云.KNN算法在股票預(yù)測中的應(yīng)用[J].科技創(chuàng)業(yè)月刊，2015，28（16）：25-26.

[2]傅航聰，張偉，機器學習算法在股票走勢預(yù)測中的應(yīng)用[J].軟件導刊，2017，16（10）：31-34，46.

[3] Krollner， Bjoern， Bruce Vanstone， and Gavin Finnie. "Finan-cial time series forecasting with machine learning techniques：A survey，2010.

[4] Agrawal J G V S.Chourasia. and A.K.Mittra. "State-of-the-art in stock prediction techniques.”International Journal ofAdvanced Research in Electrical， Electronics and Instrumenta-tion Engineering 2.4，2013： 1360-1366.

[5] Lipton， Zachary C."A Critical Review of Recurrent NeuralNetworks for Sequence Learning.‘ arXiv preprint arXiv：1506.00019，2015.

[6] Saad， Emad W.， Danil V.Prokhorov， and Donald C.Wunsch.”Comparative study of stock trend prediction using time delay， recurrent and probabilistic neural networks." Neural Networks，IEEE Transactions on 9.6 （19981： 145 6-1470.

[7] Christopher Olah， Understanding Long Short Term MemoryNetworks， August 27，2015.

[8]謝家泉，謝偉梁，房地產(chǎn)上市公司財務(wù)綜合評價研究[J].金融經(jīng)濟，2013（2）：165-166.

[通聯(lián)編輯：唐一東】