基于多视图注意力机制的多维度价格预测模型研究

摘要：

传统的股票价格预测模型只针对单一维度价格进行预测,忽略了多维度价格之间的复杂关系.因此,为了更好地对股票价格进行准确预测和为决策者提供前瞻性信息,提出了一种新的基于多视图注意力机制的多维度价格预测模型.通过多视图的深度可分离卷积网络学习多维度股票价格潜在的复杂的输入—输出关系,更好地提取股票价格的时空特征,实现时空数据的智能关联,并使用注意力机制进一步提升模型的预测性能,进而通过时空多维度的股价历史数据来预测单和多时间步长股票价格.该模型与其他四种模型在中国银行股价数据集上进行实验和比较,发现所提模型在不同预测时长下相比于表现最好的模型,平均绝对误差分别降低了 0.4％、0.5％、4.2％、3.9％,均方误差分别降低了 0.8％、2％、1.9％、1.9％,平均百分比误差分别降低了 0.15％、0.21％、1.24％和1.34％.因此所提模型预测精度最高,预测性能最好,并且在对其他维度的股票价格预测上具有普适性.

关键词：股票价格预测、注意力机制、时空智能关联、多视图角度、多维度预测模型

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;河北省高等学校人文社会科学研究青年基金资助项目

在线出版日期：2022-11-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3258-3262