基于TPE贝叶斯优化的门控循环神经网络用于提升股票指数预测准确率

深度学习架构、神经网络的 recent 进步，以及大量金融数据和强大计算机的结合正在改变金融领域，从而推动我们开发一种预测未来股票价格的先进方法。然而，投资和交易随处可及，使得股票市场日益复杂且易受波动影响。股票市场的日益复杂和波动性推动了对更多模型的需求，这些模型能够有效捕捉不同股票价格的高波动性和非线性行为。本研究探索了门控循环神经网络（GRNN）算法，如LSTM（长短期记忆网络）、GRU（门控循环单元），以及混合模型如GRU-LSTM、LSTM-GRU，结合树结构Parzen估计（TPE）贝叶斯优化用于超参数优化（TPE-GRNN）。目标是提高使用TPE-GRNN预测印度著名股票指数NIFTY 50指数次日收盘价的预测准确率。从基本面股数据、技术指标、原油价格和宏观经济数据中仔细选取了八个有影响力的因素，用于训练模型以捕捉指数价格随更广泛经济因素变化的变化。开发了单层和多层TPE-GRNN模型。模型的性能使用标准矩阵（如R2、MAPE和RMSE）进行评估。模型性能分析揭示了特征选择和超参数优化（HPO）在提升股票指数价格预测准确率中的影响。结果表明，我们提出的TPE-LSTM方法在股票指数价格预测方面MAPE最低（最佳），优于所有以往模型。