基于LSTM神经网络的股票价格预测方法技术

本申请实施例涉及一种基于LSTM神经网络的股票价格预测方法。本申请实施例的基于LSTM神经网络的股票价格预测方法包括：获取当前交易日第一目标股票的第一特征数据；对所述第一特征数据进行归一化处理；将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。本申请实施例的基于LSTM神经网络的股票价格预测方法预测股票涨跌走势准确率明显提高，且随着历史股票数据的增加，LSTM网络模型的预测效果趋于稳定。LSTM网络模型的预测效果趋于稳定。LSTM网络模型的预测效果趋于稳定。

【技术实现步骤摘要】
基于LSTM神经网络的股票价格预测方法


[0001]本申请实施例涉及计算机软件开发的
，特别是涉及一种基于LSTM神经网络的股票价格预测方法。

技术介绍

[0002]随着经济全球化的发展，股票市场愈发受到我国投资者的青睐，伴随着金融市场的发展和强烈需求，股票价格趋势预测倍受学术界、业界关注，互联化、数字化、智能化为标志的信息技术创新呈现深度融合，量化科技与金融的结合趋势愈专利技术显。投资股票具有高收益的同时，也伴随着高风险，而影响股市波动的内外因素众多且难以量化，处理海量、繁杂的股票数据工程量大，所以传统的非人工智能的方法在股票价格预测上往往不尽如人意。

技术实现思路

[0003]基于此，本专利技术提供了一种基于LSTM神经网络的股票价格预测方法，其具有预测股票涨跌走势准确率明显提高的优点，且随着历史股票数据的增加，LSTM网络模型的预测效果趋于稳定。
[0004]本申请实施例提供了一种基于LSTM神经网络的股票价格预测方法，所述方法包括：获取当前交易日第一目标股票的第一特征数据；
[0005]对所述第一特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的股票价格预测方法，其特征在于，所述方法包括：获取当前交易日第一目标股票的第一特征数据；对所述第一特征数据进行归一化处理；将归一化处理后的所述第一特征数据输入至训练好的股票预测模型中，得到下一个交易日该目标股票的价格走势，其中，所述股票预测模型包括按照Keras内置的Sequential顺序模块依次连接的第一Lstm层、第一Dropout层、第二Lstm层、第三Lstm层、第二Dropout层和Dense层。2.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，对所述特征数据进行归一化处理前，还包括：采用python中的pywt库对所述第一特征数据进行小波变换去除数据噪声。3.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述第一特征数据包括以下至少一项：所述目标股票在当前交易日的最低价、最高价、收盘价、开盘价和交易量。4.根据权利要求1所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述股票预测模型的训练过程包括：获取历史交易日第二目标股票的第二特征数据，所述第二特征数据包括以下至少一项：所述目标股票在历史交易日的最低价、最高价、收盘价、开盘价和交易量；采用python中的pywt库对所述第二特征数据进行小波变换去除数据噪声；对所述第二特征数据进行归一化处理；将归一化后的所述第二测试数据划分为训练集和测试集；建立所述股票预测模型，其中，所述股票预测模型中使用的损失函数为均方差，优化算法为Adam，模型采用2个epochs，每个batch的大小为32；将训练集中的所述第二测试数据输入至所述股票预测模型，以训练所述股票预测模型；将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，以对所述股票预测模型进行评估验证及参数优化。5.根据权利要求4所述的基于LSTM神经网络的股票价格预测方法，其特征在于，所述将测试集中的所述第二测试数据输入值训练好的所述股票预测模型，以对所述股票预测模型进行评估验证，包括：将测试集中的所述第二测试数据输入至训练好的所述股票预测模型，得到预测结果；判断预测结果所指示的该样本...

【专利技术属性】
技术研发人员：邓飞燕，岑少琪，钟凤琪，陈壹华，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：