文献类型：期刊文章

作　　者：李辉[1] 化金金[2] 邹波蓉[1]

LI Hui;HUA Jinjin;ZOU Borong(School of Physics and Electronic Information Engineering,Henan Polytechnic University,Jiaozuo 454000,Henan,China;School of Electrical Engineering and Automation,Henan Polytechnic University,Jiaozuo 454000,Henan,China)

机构地区：[1]河南理工大学物理与电子信息学院,河南焦作454000 [2]河南理工大学电气工程与自动化学院,河南焦作454000

出　　处：《河南理工大学学报（自然科学版）》

基　　金：河南省基础与前沿技术研究计划项目(152300410103)。

年　　份：2022

卷　　号：41

期　　号：1

起止页码：136-142

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：股票数据具有非线性和复杂性等特点,单一模型预测效果不佳,针对此问题,提出一种RF-LSTM组合模型,用于预测股票的收盘价。首先,利用Tushare财经数据包获取股票数据,构建特征集,并对数据进行归一化处理;其次,考虑到多特征之间存在高度的非线性和信息冗余问题,利用随机森林(RF)选择最优特征集,降低数据维度和训练复杂度;最后,利用深度学习中适合处理时间序列的长短期记忆网络(LSTM)对股票价格进行预测,并对预测模型进行参数调优。结果表明,与单一结构的LSTM神经网络模型预测相比,本文提出的RF-LSTM组合模型预测的平均绝对误差(MAE)、均方误差(MSE)和均方根误差(RMSE)分别减小了13.11%,6.70%和12.54%。该组合模型可提高股票价格预测的准确性。

关 键 词：股票预测 机器学习  长短时记忆网络  随机森林  

分 类 号：TP319]