基于LSTM-GA的股票價格漲跌預(yù)測模型

劉瑜儒 周龍武 龐利

摘要：在量化金融領(lǐng)域中，如何對股票價格進(jìn)行準(zhǔn)確的預(yù)測，成為當(dāng)前研究的重要問題。LSTM網(wǎng)絡(luò)算法的出現(xiàn)，較好地解決了股票價格預(yù)測的復(fù)雜序列化數(shù)據(jù)學(xué)習(xí)問題。但是，當(dāng)前研究結(jié)果表明，若是單一采用LSTM算法仍然存在預(yù)測不平衡、局部極值不準(zhǔn)確等問題。GA（遺傳算法）的解釋在當(dāng)前金融界中尚沒有一定準(zhǔn)確定論，但是其在解決調(diào)參問題上有著突出效用。在構(gòu)建新型股票價格預(yù)測模型時，首先可以采用LST神經(jīng)網(wǎng)絡(luò)算法對收盤價進(jìn)行預(yù)測，然后采用GA遺傳算法保證模型預(yù)測的準(zhǔn)確性，通過辨別機制，最終獲取股票價格漲跌信號?；诖?，文章針對現(xiàn)有LSTM模型的原理及應(yīng)用進(jìn)行了綜合分析，并突出說明了LSTM-GA在股票價格預(yù)測領(lǐng)域中的應(yīng)用。

關(guān)鍵詞：LSTM記憶神經(jīng)網(wǎng)絡(luò);GA遺傳算法;股票;價格漲跌預(yù)測模型

隨著金融市場的發(fā)展，股票價格的預(yù)測一直以來都受到人們的關(guān)注。然后，股票市場受到的因素較多，對其趨勢預(yù)測的波動性較大，不僅預(yù)測算法較為復(fù)雜，還會受到現(xiàn)實情況的掣肘，從而導(dǎo)致預(yù)測結(jié)果不準(zhǔn)確。傳統(tǒng)股票價格預(yù)測技術(shù)大致可以分為技術(shù)預(yù)測和聚類預(yù)測兩種類型。本文主要是基于技術(shù)預(yù)測的基礎(chǔ)之上，探究當(dāng)前LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)在股票價格預(yù)測中的突出效用，然后充分采用ANN（人工神經(jīng)網(wǎng)絡(luò)）、時間序列模型、SVM向量機以及技術(shù)預(yù)測中的隨機性算法來優(yōu)化股票價格漲跌預(yù)測模型。

隨著當(dāng)前智能化技術(shù)的深入，ANN（人工神經(jīng)網(wǎng)絡(luò)）在處理復(fù)雜關(guān)系問題上面，被證實了有著突出的作用，但是，由于受到網(wǎng)絡(luò)測試和人工速度的影響，計算效率較為緩慢。此外，由于ANN還存在陷入局部極小值、過渡擬合以及黑盒技術(shù)的缺點，并不能直接被用于股票價格漲跌預(yù)測之中;SVM支持向量機的特征是在選擇過程中不能有效表現(xiàn)出最優(yōu)的個數(shù)特征，這將嚴(yán)重影響到股票價格漲跌模型系統(tǒng)的精準(zhǔn)度。當(dāng)?shù)聡鳮rauss教授將隨機森林算法融入到股票預(yù)測之中時，股票價格漲跌模型取得了良好的效果。在Fischer等人的研究中，是將任何一種機器學(xué)習(xí)模型作為隨機算法的有力基準(zhǔn)，充分采用了GARCH時間序列模型，并將之充分運用到股票價格漲跌算法之中。其主要是假設(shè)時間序列值是呈現(xiàn)線性的生成過程，因此，具有一定的局限性。畢竟在股票市場之中，其漲跌特點不可能呈現(xiàn)線性增長，其價格的漲跌是與運營商的政治經(jīng)濟條件和戰(zhàn)略主張息息相關(guān)。因此，其中GARCH方法中假設(shè)金融時間序列將不能使用到LSTM長期記憶神經(jīng)網(wǎng)絡(luò)之中，這也讓其時間序列算法更加復(fù)雜。Fischer等人再次通過LSTM 模型來針對每日股票數(shù)據(jù)集進(jìn)行預(yù)測，并針對其收盤價格與開盤價格的分析，來預(yù)測其價格漲幅的規(guī)律。實驗結(jié)果表明，采用LSTM結(jié)合SVM算法對股票價格漲跌得到預(yù)測準(zhǔn)確率一般處于51%～54%之間，這樣的算法雖然比隨機算法更加優(yōu)秀，但是，卻無法準(zhǔn)確地精算，依然受到局部極值的影響，計算出來的數(shù)值也存在精準(zhǔn)度不高的情況。而在后來研究者中，有部分研究者對整體模型參數(shù)進(jìn)行了調(diào)整，充分結(jié)合了多維度數(shù)據(jù)處理特征樣本。本文就是基于這樣的情況下，提出基于LSTM長短期記憶神經(jīng)網(wǎng)絡(luò)的機器隨機算法來預(yù)測股票價格漲跌，并在此基礎(chǔ)上加入GA基因算法來加以改進(jìn)，從而提升預(yù)測準(zhǔn)確性，充分彌補了采用LSTM網(wǎng)絡(luò)技術(shù)的不足。

一、LSTM長短期神經(jīng)網(wǎng)絡(luò)技術(shù)的原理及應(yīng)用

LSTM網(wǎng)絡(luò)技術(shù)最早是由Hocketer等人提出來的，2000年，schmiduber等人對其技術(shù)進(jìn)行了改進(jìn)與提升，并提出了一種適用于連續(xù)性預(yù)測的遺忘門方法。Grave在之后的樹種也提出了對LSTM 的改進(jìn)方法，并解釋了相關(guān)的許多問題，進(jìn)一步推動了LSTM網(wǎng)絡(luò)在量化金融領(lǐng)域中的應(yīng)用。

神經(jīng)LSTM網(wǎng)絡(luò)的前身是循環(huán)神經(jīng)網(wǎng)絡(luò)。RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）主要是通過內(nèi)部循環(huán)學(xué)習(xí)序列模式，在其中形成了多個網(wǎng)絡(luò)回路，能對其參數(shù)進(jìn)行自主學(xué)習(xí)和對權(quán)值進(jìn)行調(diào)整，從而能不斷傳遞相關(guān)信息，并通過反向傳播來增加鏈?zhǔn)揭?guī)則和數(shù)據(jù)分布。在反向傳播過程中，返回的數(shù)值將激活sigmoid和tanh函數(shù)，當(dāng)其火花函數(shù)呈現(xiàn)最小值或者是梯度消失梯度爆炸等問題的時候，將出現(xiàn)無法避免的數(shù)值丟失與預(yù)測問。而LSTM網(wǎng)絡(luò)技術(shù)模型的應(yīng)用，就是為了有效避免這些問題的發(fā)生。Hocker等人在充分研究之后，提出了儲存單元和數(shù)據(jù)庫的理念，從而讓返回的數(shù)值能進(jìn)行長時間儲存，并對其信息進(jìn)行分析，剔除一些不必要的信息。

LSTM網(wǎng)絡(luò)技術(shù)是一種允許神經(jīng)元替換的方法。LSTM存儲單元的具體結(jié)構(gòu)如圖1所示。LSTM單元由一個存儲單元（Ct）和三個門組成，包括輸入門（it）、遺忘門（ft）和輸出門（ot）。這樣的數(shù)據(jù)表明，在時間t，χt表示輸出數(shù)據(jù)和ht隱藏位置時，符號“×”表示向量的外積，而“+”符號表示疊加操作。

具體運算公式如下：

ft=σ（Ufχt+Wfht-1+bf）

it=σ（Uiχt+Wiht-1+bi）

ut=tanh（Uuχt+Wuht-1+bu）

Ct=ft*ct-1+it*ut

Ot=σ（UOχt+Woht-1+bo）

ht=ot*tanh（ct）

在此公式中，W、U代表的是矩陣權(quán)重，而b代表的是偏移量，σ代表的sigmoid函數(shù)，符號*代表的是向量外積。

遺忘門的計算就是將χt，ht-1，bf進(jìn)行權(quán)加和，然后再通過sigmoid函數(shù)得到ft（ft∈（0，1）），如式列ft=σ（Ufχt+Wfht-1+bf）。而其中ft表示的是上一個記憶細(xì)胞在（Ct-1）中需要被遺忘的信息權(quán)重。換句話說，就是通過遺忘門來對上一個記憶細(xì)胞中保留的信息量加以控制，同時運用Ct=ft*ct-1+it*ut式子來計算。而其中輸出門中的（Ct）則決定了其可以接受到多少量級的記憶細(xì)胞信息，用it=σ（Uiχt+Wiht-1+bi）來進(jìn)行計算。最后將采用Ot=σ（UOχt+Woht-1+bo）輸出門來過濾（Ct）。待原來記憶細(xì)胞過濾完全之后，將通過ht=ot*tanh（ct）來獲得當(dāng)前ht的狀態(tài)，最后進(jìn)行反向傳播，而LSTM模型就是由這些儲存塊相互計算而得出來的。