基于LSTM的股票价格的多分类预测

为对股票价格的涨跌幅度进行预测，提出一种基于长短期记忆网络(LSTM)的方法。根据股票涨跌幅问题，通过对涨跌幅度做多值量化分类，将其转化成一个多分类问题。将股票的基本交易信息作为特征输入，利用神经网络对其训练，最后对股票的涨跌幅度做分类预测。数据集分沪深300成分股整体类、银行类和证券类三种股票集，实验结果表明该模型在涨跌幅多分类情况下，有比较好的预测效果；同时，在对某一类股票进行预测时，用该类股票的历史交易信息训练的模型要比以整体股票交易信息训练的模型效果好。

随着我国经济的快速发展，政府、投资机构以及投资者们对股票预测的需求也越来越多[1]。因此， 对股票价格走势的分析成为越来越多研究者关注的课题。但股票价格高度的波动性与不确定性，使其成为计算机领域和金融领域的一大难题[2]。

股票投资通常会选择某一类或某一只股票来作为投资对象，对这一类或一只股票进行预测，既可以将整体的股票交易信息作为训练数据，也可以只选择该类或该只股票的交易信息作为训练数据。模型有决策树[3]、LR [4]、支持向量机[5]等传统机器学习的方法，也有深度学习的方法[6]。欧阳金亮和陆黎明等人[7]通过引入动态调整学习率的方法和附加量，对传统BP 算法进行改进，然后用改进的算法对单只股票青岛海尔进行验证。毛景慧[8]通过研究基于LSTM 的股票价格序列影响因素，使用沪深300 的290只股票数据进行整体的建模预测。

本文根据以往研究中不同训练集的训练，同时考虑股票数据的时序性，选择用对时序序列有较好性能的LSTM 网络分别对其训练， 将训练好的模型用于预测6 分类和3 分类情况下的次日收盘价的涨跌幅， 并对结果做对比分析。

2. 模型与实现 2.1. 模型理论基础 人工神经网络是1980 年代兴起的人工智能领域的一类研究热点， 它通过对人脑神经元网络进行抽象， 构建人工神经单元，再通过不同的连接方式搭建不同的网络结构[9]。

神经网络分为多种，BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，也是目前应用最广泛的神经网络[10]；卷积神经网络(CNN)则是通过构造卷积层来提取输入特征，再利用前馈连接来完成特征的输出，它是深度学习的代表算法之一[11]；循环神经网络(RNN)适用于输入是序列的数据， 它是一种在序列的演进方向进行递归， 循环单元按照链式连接的一种神经网络[12]。

由于其具有参数共享