10.14135/j.cnki.1006-3080.20210616001
基于改进粒子群算法的LSTM股票预测模型
针对LSTM网络中存在的重要参数通常由经验决定,主观性强,或受计算成本影响无法确定最优值,导致模型的拟合能力降低等问题,提出使用改进的粒子群算法优化LSTM网络中的关键参数,减少人为因素影响,优化预测过程,从而构建预测精度更高的股票价格预测模型.该模型通过构建动态多群粒子群优化器来提高粒子群算法的寻优性能,避免出现局部最优.同时,针对股票市场数据维度高、噪声大及数据冗余导致模型训练成本增大、预测性能降低的问题,基于多种特征选择算法构建特征选择模型完成指标特征的过滤筛选,构建完善的预测指标体系.实验结果表明,所提出的股票价格预测模型的准确率得到了明显提高,且具有普遍适用性.
LSTM网络、粒子群算法(PSO)、股票价格预测、动态调整、特征选择
48
TP391(计算技术、计算机技术)
国家高技术研究发展计划(863计划)SS2015AA020107
2022-10-31(万方平台首次上网日期,不代表论文的发表时间)
共12页
696-707