基于注意力机制的 CNN-LSTM 与 XGBoost 混合模型用于股票预测
统计金融
2023-02-23 v2 机器学习
摘要
股市在经济发展中起着重要作用。由于股市复杂的波动性,对股价变化的研究与预测可为投资者规避风险。传统时间序列模型 ARIMA 无法描述非线性,在股票预测中无法取得满意结果。由于神经网络具有强大的非线性泛化能力,本文提出一种基于注意力机制的 CNN-LSTM 与 XGBoost 混合模型来预测股价。本文构建的模型将时间序列模型、带注意力机制的卷积神经网络、长短期记忆网络以及 XGBoost 回归器以非线性关系相融合,提高了预测精度。该模型能充分挖掘股市多周期的历史信息。股票数据首先通过 ARIMA 进行预处理。然后采用预训练-微调框架形成的深度学习架构。预训练模型为基于序列到序列框架的注意力机制 CNN-LSTM 模型。该模型首先利用卷积提取原始股票数据的深度特征,再利用长短期记忆网络挖掘长期时间序列特征。最后采用 XGBoost 模型进行微调。结果表明该混合模型更有效且预测精度较高,可帮助投资者或机构决策,达到扩大收益和规避风险的目的。源代码见 https://github.com/zshicode/Attention-CLX-stock-prediction。
引用
@article{arxiv.2204.02623,
title = {Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction},
author = {Zhuangwei Shi and Yang Hu and Guangliang Mo and Jian Wu},
journal= {arXiv preprint arXiv:2204.02623},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2202.13800